contribuiÇÕes de identificaÇÃo de sistemas lineares … · lineares, e os modelos fuzzy padrão...
TRANSCRIPT
ANDERSON ROSS BIAZETO
CONTRIBUIÇÕES DE IDENTIFICAÇÃO DE SISTEMASLINEARES E NÃO-LINEARES PARA O CASO DO PACIENTE
PARAPLÉGICO
Londrina2011
ANDERSON ROSS BIAZETO
CONTRIBUIÇÕES DE IDENTIFICAÇÃO DE SISTEMAS LINEARES E NÃO-LINEARES PARA O CASO DO PACIENTE
PARAPLÉGICO
Trabalho de Conclusão de Curso apresentado ao Departamento de Engenharia Elétrica da Universidade Estadual de Londrina.
Orientador: Prof. Dr. Ruberlei Gaino
Londrina2011
ANDERSON ROSS BIAZETO
CONTRIBUIÇÕES DE IDENTIFICAÇÃO DE SISTEMAS LINEARES E NÃO-LINEARES PARA O CASO DO PACIENTE
PARAPLÉGICO
Trabalho de Conclusão de Curso apresentado ao Departamento de Engenharia Elétrica da Universidade Estadual de Londrina.
BANCA EXAMINADORA
____________________________________Prof. Dr. Ruberlei Gaino
Universidade Estadual de Londrina
____________________________________Prof. Dr. Marcio Roberto Covacic
Universidade Estadual de Londrina
____________________________________Prof. Msc Osni Vicente
Universidade Estadual de Londrina
Londrina, 28 de Novembro de 2011.
Dedico este trabalho às pessoas que
mesmo nas dificuldades me apoiaram.
AGRADECIMENTOS
Agradeço a Deus pela força e oportunidade de cursar e finalizar este
curso.
Agradeço ao meu orientador pela constante orientação neste
trabalho, e pelo entendimento e apoio nas horas em que mais precisei.
À minha esposa pelo estímulo, carinho e cuidado, e à minha família
que esteve comigo em todos os momentos.
Aos colegas que conheci e convivi durante esses cinco anos, pela
amizade e companherismo nas horas de esforços.
Bem aventurados os que tem um coração pobre porque deles é o Reino dos Céus! Bem aventurados os que têm fome e sede de justiça, porque serão saciados!Mateus 5; 3, 6.
BIAZETO, Anderson Ross. Contribuições de identificação de sistemas lineares e não-lineares para o caso do paciente paraplégico. 2011. 108 folhas. Trabalho de Conclusão de Curso de Graduação em Engenharia Elétrica – Universidade Estadual de Londrina, Londrina, 2011.
RESUMO
Foram realizados, neste trabalho, estudos para obtenção de algoritmos capazes de identificar funções de primeira, segunda e terceira ordem. Estes algoritmos foram aplicados ao modelo não linear do movimento do complexo canela-tornozelo de um paciente paraplégico para que fosse estimada a função de transferência do mesmo. O conjunto de dados referente ao paraplégico foi obtido através de estudos já efetuados, porém foi colocado na entrada do sistema, além do sinal degrau, um sinal PRBS (Pseudo random binary signal) de sequência m, o qual faz com que a identificação tenha maior fidediginidade. Para modelar o sistema foi utilizada a modelagem caixa-preta, pois não há a necessidade de se conhecer o conteúdo interior da identificação, apenas é necessário fazer a identificação externa. Foramutilizados diferentes modelos de identificação de sistemas, tais como ARMA (auto regressive moving avarage) e ARX (auto regressive with exogenous inputs) ambos lineares, e os modelos Fuzzy padrão e o Fuzzy Takagi-Sugeno, ambos não lineares.Foi utilizado o estimador de mínimos quadrados, que visa reduzir o somatório do erro quadrático tanto no caso de batelada, onde deve se ter todo o conjunto de dados para se começar a identificação, quanto no caso recursivo, que faz a identificação on-line, utilizando sempre o dado atual e o anterior para ir atualizando a variável e o método do gradiente descendente, que visa alcançar o minimo da função utilizando derivadas em pontos sucessivos. Os resultados das identificações, bem como o erro de estimação de cada método, foram comparados entre si, afim de se observar a diferença de estimação e identificação para cada um dos métodos propostos. Como a equação do movimento do paciente paraplégico é não linear, os dois primeiros métodos não obtiveram exelente aproximação para o caso de terceira ordem, entretanto os modelos Fuzzy padrão e o Fuzzy Takagi-Sugeno obtiveram excelente resposta para o sistema não linear de terceira ordem.
Palavras-chave: ARMA, ARX, FUZZY, identificação de sistemas. Gradiente descendente.
BIAZETO, Anderson Ross. Contributions identification of linear and nonlinear in the case of the paraplegic patient: 2011. 108 folhas. Trabalho de Conclusão de Curso de Graduação em Engenharia Elétrica – Universidade Estadual de Londrina, Londrina, 2011.
ABSTRACT
Been performed in this work for obtaining algorithms capable of identifying first, second and third order functions. The algorithms were applied to the nonlinear model of the complex movement of the shin-ankle of a paraplegic patient was estimated that the transfer function of the same. The dataset for the paraplegic was obtained through studies already carried out, but was placed at the entrance of the system beyond of the step signal, a signal PRBS (pseudo random binary signal) m sequence, which makes that the identification has greater fidelity. To model the system was used to black box model, because there is no need to know the content inside of identification, it is only necessary to make the external identification. We used different models of system identification, such as ARMA (auto regressive moving avarege) and ARX (auto regressive with exogenous inputs) both linear, andthe fuzzy standart model and fuzzy T-S model, both non-linear. We used the least squares estimator, which aims to reduce the sum of the squared error in both the case of batch, which should have the whole data set to begin the identification, as in the recursive case, which makes the on-line identification, always using the current and previous data to go updating the variable, and the gradient descent method designed to achieve the minimum of the function derived using successive points. The results of the identifications were compared in order to observe the difference of estimation and identification for each of the methods. Since the equation of motion of the paraplegic patient is non-linear, the first two methods did not achieve excellent approximation for the case of third order, however the Fuzzy standard and Fuzzy Takagi-Sugeno models obtained an excellent response for the nonlinear system of third order.
Key words: ARMA, ARX, FUZZY, system identification, gradient descent.
LISTA DE ILUSTRAÇÕES
Figura 2.1 – Representação da função de transferência em diagrama de blocos...15
Figura 3.1 – Ortogonalidade no estimador de mínimos quadrados. (AGUIRRE, 2000)
... ..............................................................................................................................19
Figura 3.2 – Ausência de ortogonalidade no estimador MQ devida à polarização.
(AGUIRRE, 2000).....................................................................................................20
Figura 4.1 – Identificação da função de 1ª ordem utilizando ARMA MQ batelada ..25
Figura 4.2 – Identificação da função de 2ª ordem utilizando ARMA MQ batelada. .27
Figura 4.3 – Identificação da função de 3ª ordem utilizando ARMA MQ batelada ..28
Figura 4.4 – Identificação da função de 1ª ordem utilizando ARMA RLS................31
Figura 4.5 – Identificação da função de 2ª ordem utilizando ARMA RLS................32
Figura 4.6 – Identificação da função de 3ª ordem utilizando ARMA RLS................33
Figura 4.7 – Representação do modelo ARX (AGUIRRE, 2000).............................33
Figura 4.8 – Identificação da função de 1ª ordem utilizando ARX Batelada............37
Figura 4.9 – Identificação da função de 2ª ordem utilizando ARX Batelada............38
Figura 4.10 – Identificação da função de 3ª ordem utilizando ARX Batelada..........40
Figura 4.11 – Identificação da função de 1ª ordem utilizando ARX RLS.................41
Figura 4.12 – Identificação da função de 2ª ordem utilizando ARX RLS.................42
Figura 4.13 – Identificação da função de 3ª ordem utilizando ARX RLS.................43
Figura 5.1 – Passos do gradiente descendente (GUERRA,2010)...........................44
Figura 5.2 – Vetor gradiente, (HAYKIN,1994) .........................................................46
Figura 6.1 – Aproximação da função utilizando modelos FUZZY T-S (GAINO,2009)
.................................................................................................................................47
Figura 6.2 – Funções de pertinências, (MAGALY, 2011). .......................................48
Figura 6.3 – Mapeamento dos dados de entrada e saída (PASSINO,1998) ...........49
Figura 7.1 – Representação do modelo da perna do paciente (GAINO,2009) ........54
Figura 8.1 – Degrau unitário....................................................................................59
Figura 8.2 – Caixa de diálogo para configuração do degrau ...................................60
Figura 8.3 – Circuito para gerar PRBS....................................................................61
Figura 8.4 – Sinal PRBS..........................................................................................62
Figura 9.1 – Equação do paraplégico no ambiente Simulink, adaptado de (GAINO,
2009) ........................................................................................................................63
Figura 9.2 – Fluxograma para obtenção da função de terceira ordem....................64
Figura 9.3 – Identificação ARMA de primeira ordem, resposta ao degrau ..............65
Figura 9.4 – Identificação ARMA RLS de primeira ordem, resposta ao degrau...... 65
Figura 9.5 – Identificação ARMA de primeira ordem, resposta ao sinal PRBS........66
Figura 9.6 – Identificação ARMA RLS de primeira ordem, resposta ao sinal PRBS.
................................................................................................................................. 66
Figura 9.7 – Identificação ARMA batelada de segunda ordem, resposta ao Degrau
................................................................................................................................. 68
Figura 9.8 – Detalhe na identificação ARMA batelada de segunda ordem, resposta
ao Degrau...................................................................................................................68
Figura 9.9 – Identificação ARMA batelada de segunda ordem, resposta ao Sinal
PRBS..........................................................................................................................69
Figura 9.10 – Detalhe da identificação ARMA batelada de segunda ordem, resposta
ao Sinal PRBS..........................................................................................................70
Figura 9.11 – Identificação ARMA batelada de terceira ordem, resposta ao degrau..
.................................................................................................................................71
Figura 9.12 – Identificação ARMA batelada de terceira ordem, resposta ao Sinal
PRBS... ....................................................................................................................71
Figura 9.13 – Identificação ARX de primeira ordem, resposta ao degrau.... ...........72
Figura 9.14 – Identificação ARX de primeira ordem, resposta ao sinal PRBS.... ....73
Figura 9.15 – Identificação ARX de segunda ordem, resposta ao degrau. .............74
Figura 9.16 – Identificação ARX de segunda ordem, resposta ao sinal PRBS........74
Figura 9.17 – Detalhe na identificação ARX de segunda ordem, resposta ao sinal
PRBS........................................................................................................................75
Figura 9.18 – Identificação ARX batelada de terceira ordem, resposta ao degrau..76
Figura 9.19 – Detalhe da identificação ARX batelada de terceira ordem, resposta ao
degrau... ...................................................................................................................77
Figura 9.20 – Identificação ARX batelada de terceira ordem, resposta ao sinal
PRBS........................................................................................................................77
Figura 9.21 – Detalhe na identificação ARX batelada de terceira ordem, resposta ao
sinal PRBS..... ..........................................................................................................78
Figura 9.22 – Identificação gradiente descendente de primeira ordem, resposta ao
degrau ......................................................................................................................79
Figura 9.23 – Identificação gradiente descendente de primeira ordem, sinal PRBS
.................................................................................................................................79
Figura 9.24 – Identificação gradiente descendente de segunda ordem, sinal degrau
.................................................................................................................................80
Figura 9.25 – Identificação gradiente descendente de segunda ordem, sinal PRBS
.................................................................................................................................80
Figura 9.26 – Identificação gradiente descendente de terceira ordem, sinal degrau
. ................................................................................................................................81
Figura 9.27 – Identificação gradiente descendente de terceira ordem, sinal PRBS...
.................................................................................................................................81
Figura 9.28 – Número de regras e formato das funções de pertinências na
Identificação Fuzzy Padrão..... .................................................................................82
Figura 9.29 – Identificação Fuzzy Padrão de terceira ordem, resposta ao Degrau....
.................................................................................................................................84
Figura 9.30 – Detalhe na identificação Fuzzy Padrão de 3ª ordem, resposta degrau.
.................................................................................................................................84
Figura 9.31 – Identificação Fuzzy Padrão de terceira ordem utilizando RLS, resposta
ao Degrau ................................................................................................................85
Figura 9.32 – Detalhe na identificação Fuzzy Padrão de terceira ordem utilizando
RLS, resposta ao Degrau.........................................................................................85
Figura 9.33 – Identificação Fuzzy Padrão de terceira ordem, resposta ao sinal PRBS
.................................................................................................................................86
Figura 9.34 – Detalhe na identificação Fuzzy Padrão de terceira ordem, resposta ao
sinal PRBS.. .............................................................................................................87
Figura 9.35 – Identificação Fuzzy Padrão de terceira ordem utilizando RLS, resposta
ao sinal PRBS.. ........................................................................................................87
Figura 9.36 – Detalhe na identificação Fuzzy Padrão de terceira ordem utilizando
RLS, resposta ao sinal PRBS...................................................................................88
Figura 9.37 – Número de regras e formato das funções de pertinências na
Identificação Fuzzy Takagi-Sugeno.... .....................................................................89
Figura 9.38 – Identificação Fuzzy T-S de terceira ordem, resposta ao Degrau.......89
Figura 9.39 – Detalhe na identificação Fuzzy T-S de terceira ordem, resposta ao
Degrau. ....................................................................................................................90
Figura 9.40 – Identificação Fuzzy T-S rls de terceira ordem, resposta ao Degrau.. 90
Figura 9.41 – Detalhe na identificação Fuzzy T-S RLS de terceira ordem, resposta
ao Degrau.................................................................................................................91
Figura 9.42 – Identificação Fuzzy T-S de terceira ordem, resposta ao PRBS ........92
Figura 9.43 – Detalhe na identificação Fuzzy T-S de terceira ordem, resposta ao
PRBS .......................................................................................................................92
Figura 9.44 – Identificação Fuzzy T-S RLS de terceira ordem, resposta ao PRBS.93
Figura 9.45 – Detalhe na identificação Fuzzy T-S RLS de terceira ordem, resposta
ao PRBS ..................................................................................................................93
Figura 9.46 – Identificação Fuzzy de terceira ordem, resposta ao Degrau, utilizando
gradiente descendente ............................................................................................94
Figura 9.47 – Identificação Fuzzy de terceira ordem, resposta ao PRBS, utilizando
gradiente descendente ............................................................................................95
LISTA DE TABELAS
Tabela 7.1 – Grandezas antropométricas do paciente paraplégico ........................55
Tabela 8.1 – Conexões para gerar sinais de sequência m ......................................61
LISTA DE ABREVIATURAS E SIGLAS
ARMA – Auto regressive moving avarege.
ARX – Auto regressive with exogenous entry
NARX – Non linear auto regressive with exogenous entry
PRBS – Pseudo random binary signal
MQ – Mínimos Quadrados.
RLS – Roots least square.
SUMÁRIO
1 INTRODUÇÃO .......................................................................................................12
2 MODELAGEM DE SISTEMAS ..............................................................................13
2.1 IDENTIFICAÇÃO DA ORDEM DO MODELO...................................................................14
2.2 FUNÇÃO DE TRANSFERÊNCIA ..................................................................................14
3 MÉTODO DOS MÍNIMOS QUADRADOS..............................................................15
3.1 MÉTODO DOS MÍNIMOS QUADRADOS ........................................................................16
3.2 PROPRIEDADES DO ESTIMADOR DE MÍNIMOS QUADRADOS .......................................18
3.2.1 Ortogonalidade do Estimador de Mínimos Quadrados.....................................18
3.2.2 Polarização do Estimador de Mínimos Quadrados ..........................................19
3.2.3 Tratamento da polarização do Estimador de Mínimos Quadrados...................20
4 MODELOS DE ESTIMAÇÃO.................................................................................21
4.1 MODELO ARMA ....................................................................................................21
4.1.1 Modelo ARMA Com Estimador MQ Batelada...................................................22
4.1.1.1 Exemplos do modelo ARMA Com Estimador MQ Batelada ..........................24
4.1.2 Modelo ARMA Com Estimador MQ Recursivo .................................................29
4.1.2.1 Exemplos do modelo ARMA Com Estimador MQ Recursivo ........................31
4.2 MODELO ARX .......................................................................................................33
4.2.1 Modelo ARX Com Estimador MQ Batelada......................................................34
4.2.1.1 Exemplos do modelo ARX Com Estimador MQ Batelada .............................36
4.2.2 Modelo ARX Com Estimador MQ Recursivo ....................................................40
4.2.2.1 Exemplos do modelo ARX Com Estimador MQ Recursivo ...........................40
5 GRADIENTE DESCENDENTE ..............................................................................43
6 IDENTIFICAÇÃO FUZZY.......................................................................................46
6.1 FUNÇÃO DE APROXIMAÇÃO ....................................................................................48
6.2 EQUACIONAMENTO FUZZY PADRÃO ........................................................................50
6.2.1 Fuzzy Padrão Com Estimador MQ Batelada .........................................................51
6.2.2 Fuzzy Padrão Com Estimador MQ Recursivo ........................................................52
6.3 FUZZY TAKAGI-SUGENO ........................................................................................52
7 MODELO MATEMÁTICO PARA CONTROLE DA POSIÇÃO DE PACIENTES
PARAPLÉGICOS......................................................................................................54
8 ESTÍMULOS DE ENTRADA ..................................................................................58
8.1 SINAL DEGRAU ......................................................................................................58
8.2 SINAL PRBS ........................................................................................................60
9 RESULTADOS.......................................................................................................63
9.1 Identificação modelo ARMA ...............................................................................64
9.2 Identificação modelo ARX ...................................................................................72
9.3 Identificação modelo gradiente descendente ......................................................78
9.4 Identificação utilizando modelos Fuzzy ...............................................................83
10 DISCUSÃO DE RESULTADOS.. .........................................................................96
11 TRABALHOS FUTUROS.....................................................................................98
12 CONCLUSÃO ......................................................................................................99
REFERÊNCIAS........................................................................................................101
12
1 INTRODUÇÃO
Neste trabalho será feita a identificação do sistema do movimento de
um paciente paraplégico, utilizando alguns métodos e modelos de identificação, a
fim de se obter subsídios para comparações.
O estudo do movimento por estimulação elétrica de um paciente
paraplégico, ainda pouco explorado no Brasil, visa dar a esses pacientes pequenos
estímulos nos membros paralisados, fazendo contrações nos músculos dos
membros paralisados. Estes estímulos serão eficazes nos casos em que a
paraplegia do paciente for temporária, ou seja, pacientes que não tiveram um
rompimento permanente da medula, pelo motivo de não deixar com que os músculos
se atrofiem, (GAINO,2009).
Os modelos para identificação do sistema do paciente paraplégico
serão os modelos ARMA (auto regressive moving average) e ARX (auto regressive
with exogenous entry), ambos lineares, e os modelos Fuzzy Padrão e o Fuzzy T-S.
Para a obtenção dos dados de saída, será aplicado à entrada do
modelo matemático um degrau e um sinal PRBS, ambos com amplitudes definidas
posteriormente. Este modelo foi gerado por (GAINO,2009) e (FERRARIN,
PEDOTTI,2000) e fornece um modelo matemático do membro inferior, executado no
ambiente Simulink do software MATLAB.
Foi identificada a função não linear de terceira ordem, que
representa a planta do movimento do paciente paraplégico. O sistema de terceira
ordem não linear foi subdividido em duas equações lineares, de primeira e segunda
ordem.
13
2 MODELAGEM DE SISTEMAS
Esta seção apresenta os tipos de modelagem e conceitos
importantes sobre identificação.
A identificação de sistemas visa representar um sistema real através
de um modelo matemático, que é um análogo matemático que representa algumas
características observadas em tais sistemas (AGUIRRE, 2000). Por exemplo, o
movimento da perna de um paciente paraplégico, ou seja pequena movimentação
dos músculos, é um sistema físico, real, o qual teve as principais variantes do
mesmo levantadas, e sua aproximação em um análogo matemático.
Entretanto o modelo matemático não retrata fielmente todas as
características do sistema real, ficando, portanto, bem definido a existência de
aproximações.
Praticamente todo sistema dinâmico é não linear. Na prática os
sistemas são linearizados em torno de um ponto de operação específico. Com isso
ficam mais fáceis os cálculos e as representações matemáticas. A identificação de
um sistema linear também é mais simples. Os modelos ARMA e ARX são para
identificação linear.
Porém existem certos regimes dinâmicos que não podem ser
representados por um modelo linear. O modelo do paciente paraplégico de terceira
ordem a ser identificado é não linear (GAINO, 2009).
Para se identificar um sistema, sendo linear ou não, é necessário
fazer o uso de algumas técnicas de modelagem. Existem três técnicas de
modelagem: a modelagem caixa branca, caixa preta e caixa cinza.
A modelagem caixa branca avalia o comportamento interno do
componente do software, testando condições, fluxo de dados, de caminhos lógicos,
entre outros, do código fonte.
Já para a técnica caixa preta não há nenhum conhecimento prévio
do sistema em questão. Não se conhece o que tem dentro da “caixa” para fazer a
estimação, apenas têm-se os dados de entrada e saída. Esta técnica avalia,
portanto, o comportamento externo do sistema.
Por fim a técnica caixa cinza é uma mescla das duas anteriores.
Conhece-se o interior da caixa e os usa para estimar, ou manipular os dados para
correções de erros.
14
A técnica empregada neste trabalho é a caixa preta, pois a priori não
é necessário o conhecimento interno do mesmo.
2.1 IDENTIFICAÇÃO DA ORDEM DO MODELO
Entretanto, já que será utilizada a técnica de caixa preta, como saber
qual será a ordem do sistema para estimá-lo?
É preciso fazer a identificação da ordem do modelo. Segundo
(BOSCO, 2000) temos que:
( ) = [ ( − 1) ( − 1) … ( − ) ( − )] (2.1)( ) = 1 ( ) ( ) (2.2)
Onde ( ) é chamado de vetor de regressores, o qual será
deduzido mais adiante, k = 1, 2, ... , m, é o vetor dos dados de saída do sistema e
é o vetor dos dados de entrada do sistema.
Quando a ordem do modelo é maior que a ordem do sistema a
última linha é linearmente dependente, o que implica que o determinante de Q é
igual a zero (det ( ) = 0).Portanto deve-se analisar,
( ) = det ( ( ))det ( ( + 1)) (2.3)
Para a equação (2.3), caso DR(m) seja maior que zero, a ordem do
sistema será m. (BOSCO, 2000)
2.2 FUNÇÃO DE TRANSFERÊNCIA
A função de transferência é uma maneira de representar modelos
lineares. Ela representa matematicamente o comportamento dinâmico do sistema. A
15
função de transferência descreve como uma saída está ligada à entrada. São com
os pares de entrada e saída que ela é modelada.
Percebe-se que essa modelagem será útil para a técnica de
modelagem caixa preta.
Por definição, a função de transferência é a transformada de Laplace
de sua resposta ao impulso. Ela é representada como a razão de dois polinômios
(AGUIRRE, 2000).
Seja, portanto, uma equação diferencial como:
+ + ⋯ + = + + ⋯ + + (2.4)
A partir da equação (2.4) tem-se que a função de transferência é
dada pela transformada de Laplace da saída pela entrada, com condições iniciais
nulas. (SANTOS, 2011)
( ) = ( )( )= ⋯
⋯ (2.5)
Onde são parâmetros do denominador e numerador,
respectivamente. Esta função de transferência pode ser representada através de um
diagrama de bloco, o qual relaciona a entrada com a saída, Figura 2.1.
Figura 2.1 – Representação da função de transferência em diagrama de blocos.
3 MÉTODO DOS MÍNIMOS QUADRADOS
Nesta seção será exposto um dos principais métodos de
identificação de sistemas, o método dos mínimos quadrados.
G(s)Função de
TransferênciaX(s)ww
Y(s)
16
O método dos mínimos quadrados busca minimizar a soma dos
quadrados da diferença entre o valor medido e o calculado para estimar uma
grandeza desconhecida.
A fim de aprofundar esta definição é necessário fazer alguns
equacionamentos e definições, como segue.
3.1 MÉTODO DOS MÍNIMOS QUADRADOS
Segundo (AGUIRRE, 2000) para começar a aplicar este método,
vamos definir um conjunto de equações com solução única como uma função
escalar = ( )realizadas N vezes, como segue:
= ( )= ( )
… = ⋯= ( )
Para o caso vetorial, ( ): ℝ → ℝ depende de um vetor de n
parâmetros, θ. Portanto a equação pode ser representada por:
= ( , ) (3.1)Expandindo-a na forma matricial para n equações a fim de se
determinar os n elementos de θ, tem-se:
⋮ =[ … ] ⋮= (3.2)
Na equação (3.2) y é chamada de variável dependente e X de
variável independente. θ é o vetor de parâmetros que devem ser estimados.
Portanto,segundo (AGUIRRE, 2000) desde que X seja não singular, é possível
determinar o vetor de parâmetros invertendo a matriz X.
17
= (3.3)A partir desta solução e acrescentando um erro de estimação (ξ) na
equação (3.2) pode-se tomar a definição do método dos mínimos quadrados para
definir a função custo ( ) como sendo o somatório do quadrado dos erros, ou seja
= ( ) = = | | . (3.4)
Portanto deve-se estimar θ que minimize a função custo. Para isso
definimos o erro como sendo:
=( − ) (3.5)Substituindo a equação (3.5) na equação (3.4) obtemos:
= ( − ) ( − ) = − − + (3.6)
Como o intuito é minimizar o erro, e a função custo é uma função
quadrática, deve-se achar o ponto de mínimo da função, que neste caso encontra-se
onde a derivada da função é igual a zero.
Portanto derivando a equação (3.6) obtêm-se
= − − + 2 . (3.7)
Por fim igualando a equação (3.7) a zero temos
= [ ] . (3.8)Sendo que [ ] é uma matriz pseudo inversa. Agora, de
acordo com (AGUIRRE, 2000) para que θ seja mínimo é necessário verificar que
18
²²= 2 > 0 . (3.9)
A equação (3.9) é verdadeira, pois 2 é definida positiva. Portanto
isto comprova que a equação (3.8) estima o parâmetro θ que minimiza a função
custo.
3.2 PROPRIEDADES DO ESTIMADOR DE MÍNIMOS QUADRADOS
3.2.1 Ortogonalidade do Estimador de Mínimos Quadrados
Para se obter θ que minimiza a função custo, o erro deve ser o
menor possível, isto indica que devem ser ortogonais. (AGUIRRE, 2000)
De acordo (AGUIRRE, 2000) “dois vetores ℝ e ℝ são
ortogonais se 0YX T ”. Tendo que = [ ] , então
MQTT
MQT XyYXY ˆˆ
(3.10)
YXXXXYXYXXXY TTTT
TTT 11
YXXXXYXXXXYY TTTTTT 11
YXXXXXXXXYYXXXXYY TTTTTTTTT 111
0TY (3.11)
Esta propriedade poderá ser visualizada na Figura 3.1.
19
Figura 3.1 –Ortogonalidade no estimador de mínimos quadrados. (AGUIRRE, 2000)
3.2.2 Polarização do Estimador de Mínimos Quadrados
Num sistema real, há influência de ruído, principalmente na
obtenção dos dados de entrada e saída. Este ruído é conhecido como ruído de
medição. Como qualquer erro, ele pode ser definido como a diferença entre o valor
estimado e o valor real.
Este ruído pode alterar a propriedade da ortogonalidade presente no
método dos mínimos quadrados.
De acordo com (AGUIRRE, 2000) a polarização pode então ser
definida como
= − (3.12)onde é um vetor de parâmetros e é o seu valor estimado.
Assim, de acordo com (AGUIRRE, 2000) utilizando o estimador MQ,
o vetor de resíduos será = − = − . Deste modo,
= −= − + (3.13)
onde e é o ruído de medição adicionado ao sistema. Devido à
propriedade da ortogonalidade, os resíduos devem ser ortogonais aos regressores.
20
Portanto,
= 0 (3.14) e a polarização no método dos mínimos quadrados se apresenta
como:
=( ) ( ) (3.15)
A influência da polarização no estimador MQ pode ser verificada na
Figura 3.2.
Figura 3.2 – Ausência de ortogonalidade no estimador MQ devida à polarização.
(AGUIRRE, 2000)
3.2.3 Tratamento da Polarização do Estimador de Mínimos Quadrados
O fato de se tratar a polarização é de que ela causa não
ortogonalidade no método. Portanto faz-se necessário um método para controlar
esta interferência. Este método é conhecido com Estimador Estendido de Mínimos
Quadrados.
Segundo (AGUIRRE, 2000) o EMQ consiste em estender a matriz de
regressores X fazendo com que nela sejam incluídos novos regressores, a cada
21
iteração para reduzir o efeito do ruído. O EMQ e sua iterações são descritos como
sendo:
1. a partir da equação de regressão ( ) = ( − 1) + ( )e dos dados
disponíveis, estime θ;
2. calcule o vetor de resíduos = − ;3. com 1 i , montar a matriz estendida de regressores , estimando =
( ) ;4. determinar o vetor de resíduos = − ∗ ;
5. Para i = i + 1, Voltar para passo 3 até convergir.
Segundo (AGUIRRE, 2000) a convergência do passo 5 acontece
entre a 3ª e 10ª iteração.
4 MODELOS DE ESTIMAÇÃO
Esta seção utiliza o estimador de mínimos quadrados e o emprega
em dois modelos, ARMA e ARX, para se estimar o parâmetro θ.
A seguir serão definidos dois modelos base para a identificação.
4.1 MODELO ARMA
O modelo ARMA (auto regressive moving-averege) é o modelo auto-
regressivo de média móvel. Pode ser representado de forma simples pela equação
( ) = ( )( ) ( ) (4.1)
onde y(k) é a saída do sistema e u(k) a entrada do mesmo.
Um sistema real pode ser representado através de um modelo
matemático, o qual é um análogo matemático que representa algumas
características observadas em tais sistemas (AGUIRRE, 2000).
22
4.1.1 Modelo ARMA Com Estimador MQ Batelada
O método batelada consiste em realizar a identificação do sistema
somente após todos os dados de entrada forem gerados e armazenados. Isto
implica numa maior necessidade de memória de armazenamento.
Para o estimador de Mínimos Quadrados vamos considerar a função
de transferência do sistema como sendo:
( )( )= ( ) = + + ⋯ +− − ⋯ − (4.2)
( ) = ( − 1) + ( − 2) + ⋯ + ( − ) +( − 1) + ( − 2) + ⋯ + ( − ) (4.3)
Utilizando o modelo ARMA para identificação desta função de
transferência da equação (4.2) tem-se que determinar os coeficientes do vetor θ da
equação (3.2).
= ( … … ) (4.4)Onde θ é o vetor de parâmetros da função de transferência
discretizada (4.2). Para a identificação de uma função de transferência de primeira
ordem, as equações (4.2) e (4.3) fornecem:
( )( )= − (4.5)
( ) = ( − 1) + ( − 1) (4.6)Para exemplificar, desenvolvemos a equação (4.6) para k=1,2 e 3 e
colocando-a em forma matricial tem-se:
23
(1)(2)(3) = (0) (0)(1) (1)(2) (2) + (1)(2)(3)(3) = (3) + (3) (4.7)
Sendo
(3) = (0) (0)(1) (1)(2) (2) (3) = (1)(2)(3)Onde e(3) é o erro acrescentado à estimação.
Para calcular θ que minimiza o somatório dos erros usaremos a
equação (3.8), resultando para o exemplo em questão
=[ (3) (3)] (3) (3)
=
O resultado exprimirá os termos da equação discretizada da
função de transferência.
Entretanto para se obter a função de transferência contínua no
tempo é necessário fazer a transformada Z da equação (4.2). Para fazer essa
transformação, usamos a ferramenta d2c do Matlab. Esta ferramenta transforma a
função de transferência discreta em contínua. Para o caso de primeira ordem do
exemplo, onde a1 = 1 e b1 = 1, o código no Matlab resulta:
>> G=tf([b1],[1 a1],Ts)
Transfer function:
1
-----
24
z - 1
Sampling time (seconds): 0.01
>> gc=d2c(G,'matched')
Transfer function:
99.95
-----
s
Onde G é a função discretizada, Ts é o período de amostragem já
definido na obtenção do conjunto de dados de entrada e saída, que no exemplo é
igual a 0.01s. Por fim gc é função de transferência contínua no tempo.
4.1.1.1 Exemplos do modelo ARMA Com Estimador MQ Batelada
Para exemplificar o modelo e estimação ARMA utilizando o método
de mínimos quadrados, foram feitas identificações de funções já conhecidas de
primeira, segunda e terceira ordem.
Os conjuntos de dados de entrada e saída foram gerados no
software Simulink, com a função discretizada e com uma taxa de amostragem de
0.01 segundos.
A função de primeira ordem a ser identificada é:
( ) = 44690+ 1.052A função de transferência a ser identificada tem a forma a seguir:
( ) = −Portanto o vetor de regressores será da forma:
= [ ]
25
A resposta da identificação no prompt do Matlab foi:
Transfer function: 44.67----------z - 0.9989
Sampling time (seconds): 0.01
Transfer function:4.469e004---------s + 1.052
Na Figura 4.1 pode-se ver a resposta ao degrau da função original e
da função identificada utilizando o método de mínimos quadrados.
Figura 4.1 – Identificação da função de 1ª ordem utilizando ARMA MQ batelada.
Pode-se observar pela resposta ao degrau na Figura 4.1 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação foi
da ordem de 10 , o que demonstra a eficiência do método.
0 5 10 15-2
0
2
4
6
8
10
12
14
16x 10
-11 erro de estimação ARMA batch
0 5 10 150
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
4 Resposta ao Degrau ARMA 1° ordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
26
Já na Figura 4.2 está a resposta ao degrau da função de segunda
ordem identificada. A função de segunda ordem linear identificada é:
( ) = 16² + 4 + 16A função de transferência a ser identificada tem a forma a seguir:
( ) = + +Portanto o vetor de regressores será da forma:
= [ ]A resposta da identificação no prompt do Matlab foi:
theta =
-1.540192371193055 0.670320046035713 0.065063837421418
Portanto, a FT do sistema é:
Transfer function:0.06506 z + 0.06506
---------------------z^2 - 1.54 z + 0.6703
Sampling time (seconds): 0.1
Transfer function:
16--------------s^2 + 4 s + 16
27
Figura 4.2 – Identificação da função de 2ª ordem utilizando ARMA MQ batelada.
Pode-se observar pela resposta ao degrau na Figura 4.2 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação
inicial foi um pouco elevado, porém se estabilizou em zero, o que demonstra a
eficiência do método.
Por fim, a função de terceira ordem linear a ser identificada pelo
modelo ARMA está na Figura 4.3 e é representada abaixo:
( ) = 11 + 3,5 + 3,5 + 1A função de transferência a ser identificada tem a forma a seguir:
( ) = ³ + ² + +Portanto o vetor de regressores será da forma:
= [ ]
0 5 10 15-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03 erro de estimação ARMA, batch
0 10 20 300
0.2
0.4
0.6
0.8
1
Resposta ao Degrau ARMA, 2° ordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
28
A resposta da identificação no prompt do Matlab foi:
theta =
-2.674797617547945 2.380327021793654 -0.704688109454560 0.000210323711186 Portanto, a FT do sistema é:
Transfer function: 0.0002103--------------------------------------- z^3 - 2.675 z^2 + 2.38 z - 0.7047
Sampling time (seconds): 0.01
Transfer function:
1------------------------------ s^3 + 3.5 s^2 + 3.5 s + 1
Figura 4.3 – Identificação da função de 3ª ordem utilizando ARMA MQ batelada.
0 5 10 15-18
-16
-14
-12
-10
-8
-6
-4
-2
0
2x 10
-10 erro de estimação ARMA, batch
0 5 10 15-0.2
0
0.2
0.4
0.6
0.8
1
1.2 Resposta ao degrau ARMA, 3ª ordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
Sinal Degrau
29
Pode-se observar pela resposta ao degrau na Figura 4.3 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação foi
da ordem de 10 , o que demonstra a eficiência do método.
4.1.2 Modelo ARMA Com Estimador MQ Recursivo
Enquanto no método batelada é preciso que o conjunto de dados
esteja formado e armazenado antes de se começar a estimação da função, o
método recursivo faz uma atualização em tempo real, sempre com o dado atual
recorrendo à estimação anterior. Portanto nada mais é do que uma atualização feita
sempre que um novo dado é coletado.
Este estimador recursivo possibilita a redução no espaço de
armazenamento e trabalho com sistemas que operam em tempo real.
Partindo-se da equação (3.8) deve-se estimar θ de forma recursiva.
Segundo (AGUIRRE, 2000) reescrevemos a equação (3.8) como:
= [ ( − 1) ( − 1)] ( − 1) ( ) (4.8)
onde ( − 1) é o dado de saída do sistema, no instante anterior.
Nomeando o primeiro termo do lado direito da equação (4.8) como
sendo a matriz de covariância (Pk), é possível escrevê-lo como:
= ( − 1) ( − 1) + ( − 1) ( − 1)= + ( − 1) ( − 1) (4.9)
Escrevendo a equação (4.8) para o instante k-1, tem-se
( − 1) ( − 1) = ( − 1) ( )
30
Resumindo o lado esquerdo da equação como sendo , é
possível reescrever a equação (4.8).
= [ + ( − 1) ( )]= − ( − 1) ( − 1) + ( − 1) ( )
= + ( − 1)[ ( ) − ( − 1) ]= + ( ) (4.10)
onde = ( − 1) é uma matriz de ganho e ( ) = ( ) − ( − 1) a
inovação no instante k.
Portanto segundo [AGUIRRE, 2000] a seqüência de cálculo, sendo
que = ( − 1) é:
1. Estimar valores iniciais de θ e P, utilizando o modelo ARMA para os primeiros
dados coletados.
2. Calcular a matriz de ganho:
= + 1. (4.11)
3. Calcular a atualização de .
= + [ ( ) − ]. (4.12)4. Calcular a matriz de covariância Pk, através de uma simplificação matemática
à equação (4.9):
= − ( − 1)( ( − 1) ( − 1) + 1) ( − 1) (4.13)
31
4.1.2.1 Exemplos do modelo ARMA Com Estimador MQ Recursivo
Para exemplificar o modelo e estimação ARMA utilizando o método
de mínimos quadrados recursivo, foram feitas identificações de funções já
conhecidas de primeira, segunda e terceira ordem.
Foram utilizados os mesmos conjuntos de dados de entrada e saída
gerados na estimação batelada. Para a função de primeira ordem abaixo, o
resultado é mostrado apenas na Figura 4.4.
( ) = 44690+ 1.052
Figura 4.4 – Identificação da função de 1ª ordem utilizando ARMA RLS.
Para a função de segunda ordem abaixo, o resultado é mostrado
apenas na Figura 4.5.
( ) = 16² + 4 + 16
0 5 10 15-2
0
2
4
6
8
10
12
14
16x 10
-11 erro de estimação ARMA RLS
0 5 10 150
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
4 Resposta ao Degrau ARMA RLS, 1° ordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
32
Figura 4.5 – Identificação da função de 2ª ordem utilizando ARMA RLS.
Por fim função de terceira ordem abaixo, o resultado é mostrado
apenas na Figura 4.6.
( ) = 11 + 3,5 + 3,5 + 1Observa-se que nos três casos o erro de estimação foi muito baixo e
parecido com a estimação em batelada, o que demonstra a eficiência do método.
0 5 10 15-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03 erro de estimação ARMA, RLS
0 10 20 300
0.2
0.4
0.6
0.8
1
Resposta ao Degrau ARMA RLS, 2° ordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
33
Figura 4.6 – Identificação da função de 3ª ordem utilizando ARMA RLS.
4.2 MODELO ARX
No modelo ARX (Auto-regressivo para a variável exógena) uma
variável exógena é inserida a fim de representar o erro de medição, ou seja a
diferença entre o valor real e o medido. O erro é inserido para modelar melhor o
sistema. O modelo ARX pode ser representado resumidamente através da Figura
4.7.
Figura 4.7 – Representação do modelo ARX [AGUIRRE, 2000].
0 5 10 15-18
-16
-14
-12
-10
-8
-6
-4
-2
0
2x 10
-10 erro de estimação ARMA, RLS
0 5 10 15-0.2
0
0.2
0.4
0.6
0.8
1
1.2 Resposta ao degrau ARMA RLS, 3ª ordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
Sinal Degrau
34
Nota-se que E(z) é a entrada exógena do sistema, U(z) é a entrada
do sistema e Y(z) a saída do sistema. A entrada exógena quer dizer que ela não é
inerente ao sistema, não é intrínseco à função de transferência, mas sim uma
entrada que cresce exteriormente,
A vantagem do modelo ARX para o ARMA é o fato de ser
introduzido uma entrada exógena como erro de estimação, o que torna a estimação
mais verdadeira.
A( ) e B( ) são definidos por
( ) = 1 + + + ⋯ + (4.14)( ) = + + + ⋯ + (4.15)
Sendo na o número de parâmetros de A( ) , nb o número de
parâmetros de B( ) e d o atraso puro do sistema, temos para este sistema a
relação
( ) ( ) = ( ) ( ) + ( ) (4.16)ou
+ + ⋯ + = + ⋯ + + (4.17)4.2.1 Modelo ARX Com Estimador MQ Batelada
No modelo ARX, o desenvolvimento do estimador MQ batelada é
análogo ao deduzido anteriormente.
Para o caso de primeira ordem temos que:
( )( )= −
( ) = ( − 1) + ( − 1) + ( − 2) (4.18)
35
Para k=2,3 e 4 e colocando-a em forma matricial temos:
(2)(3)(4) = (1) (0) (1)(2) (1) (2)(3) (2) (3) + (2)(3)(4)(3) = (3) + (3) (4.19)
Sendo
(3) = (1) (1)(2) (2)(3) (3) (3) = (1)(2)(3)A matriz e(3), erro de estimação pode ser gerado utilizando a
ferramenta random do Matlab, o qual gera de números de forma randômica dos já
pré-determindo em sua biblioteca.
Para calcular θ que minimiza a somatória dos erros usaremos a
equação (3.8), ficando para o caso de primeira ordem
=[ (3) (3)] (3) (3)
= (4.20)
O resultado exprimirá os termos da equação discretizada da
função de transferência, e o erro de identificação.
36
4.2.1.1 Exemplos do modelo ARX Com Estimador MQ Batelada
Para exemplificar o modelo e estimação ARX utilizando o método de
mínimos quadrados, foram feitas identificações de funções já conhecidas de
primeira, segunda e terceira ordem.
Os conjuntos de dados de entrada e saída foram os mesmo
utilizados nas identificações ARMA.
A função de primeira ordem a ser identificada é:
( ) = 44690+ 1.052A função de transferência a ser identificada tem a forma a seguir:
( ) = −Portanto o vetor de regressores será da forma:
= [ ]A resposta da identificação no prompt do Matlab foi:
theta =
1.0e+003 *
-0.000900144475687 4.241961389302523 0.000000000000155
Portanto, a FT do sistema é:
Transfer function:
4242----------z - 0.9001
Sampling time (seconds): 0.01
Transfer function:
4.469e004---------s + 1.052
37
Figura 4.8 – Identificação da função de 1ª ordem utilizando ARX Batelada.
Pode-se observar pela resposta ao degrau na Figura 4.8 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação foi
da ordem de 10 , o que demonstra a eficiência do método.
Já na Figura 4.9 está a resposta ao degrau da função de segunda
ordem identificada. A função de segunda ordem linear identificada é:
( ) = 16² + 4 + 16A função de transferência a ser identificada tem a forma a seguir:
( ) = + +Portanto o vetor de regressores será da forma:
0 5 10 15-8
-7
-6
-5
-4
-3
-2
-1
0
1
2x 10
-11 erro de estimação ARX, batch
0 5 10 150
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
4 Resposta ao Degrau, ARX 1ªordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
38
= [ ]A resposta da identificação no prompt do Matlab foi:
theta =
-1.540192371193388 0.670320046036245 0.065063837421471 -0.000000000000232
Portanto, a FT do sistema é:
Transfer function:
0.06506 z + 0.06506---------------------z^2 - 1.54 z + 0.6703
Sampling time (seconds): 0.01Transfer function:
16--------------s^2 + 4 s + 16
Figura 4.9 – Identificação da função de 2ª ordem utilizando ARX Batelada.
0 5 10 15-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03 erro de estimação ARX, batch
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4 Resposta ao PRBS, ARX 2ªordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
39
Pode-se observar pela resposta ao degrau na Figura 4.9 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação
inicial foi um pouco elevado, porém se estabilizou em zero, similar ao modelo ARMA,
o que demonstra a eficiência do método.
Por fim, a função de terceira ordem linear a ser identificada pelo
modelo ARMA está na Figura 4.10 e é representada abaixo:
( ) = 11 + 3,5 + 3,5 + 1A função de transferência a ser identificada tem a forma a seguir:
( ) = ³ + ² + +Portanto o vetor de regressores será da forma:
= [ ]A resposta da identificação no prompt do Matlab foi:
thels =
-2.674797595583068 2.380326980110300 -0.704688089713258 0.000210323711203 0.000000000000015
Portanto, a FT do sistema é:
Transfer function: 0.0002103--------------------------------------- z^3 - 2.675 z^2 + 2.38 z - 0.7047
Sampling time (seconds): 0.01
Transfer function: 1------------------------------ s^3 + 3.5 s^2 + 3.5 s + 1
40
Figura 4.10 – Identificação da função de 3ª ordem utilizando ARX Batelada.
Pode-se observar pela resposta ao degrau na Figura 4.10 e pelos
valores de θ que a função identificada foi idêntica a original. O erro de estimação foi
da ordem de 10 , o que demonstra a eficiência do método.
4.2.2 Modelo ARX Com Estimador MQ Recursivo
O desenvolvimento do estimador MQ recursivo é o mesmo feito na
seção 4.1.2., mudando apenas a matriz X, no caso definida na seção 4.2.1.
4.2.2.1 Exemplos do modelo ARX Com Estimador MQ Recursivo
Para exemplificar o modelo e estimação ARX utilizando o método de
mínimos quadrados recursivo, foram feitas identificações de funções já conhecidas
de primeira, segunda e terceira ordem.
0 5 10 15-0.2
0
0.2
0.4
0.6
0.8
1
1.2 erro de estimação ARX, bacth
0 5 10 150
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 Resposta ao PRBS, ARX 3ªordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
Sinal Degrau
41
Foram utilizados os mesmos conjuntos de dados de entrada e saída
gerados na estimação batelada. Para a função de primeira ordem abaixo, o
resultado é mostrado apenas na Figura 4.11.
( ) = 44690+ 1.052
Figura 4.11 – Identificação da função de 1ª ordem utilizando ARX RLS.
Para a função de segunda ordem abaixo, o resultado é mostrado
apenas na Figura 4.12.
( ) = 16² + 4 + 16
0 5 10 15-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5x 10
-11 erro de estimação ARX, RLS
0 5 10 150
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
4 Resposta ao Degrau, ARX RLS 1ªordem
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
42
Figura 4.12 – Identificação da função de 2ª ordem utilizando ARX RLS.
Por fim função de terceira ordem abaixo, o resultado é mostrado
apenas na Figura 4.13.
( ) = 11 + 3,5 + 3,5 + 1Observa-se que nos três casos o erro de estimação foi muito baixo e
parecido com a estimação em batelada, o que demonstra a eficiência do método.
0 5 10 15-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03 erro de estimação ARX, RLS
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4 Resposta ao PRBS, ARX RLS 2ªordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
43
Figura 4.13 – Identificação da função de 3ª ordem utilizando ARX RLS.
5 GRADIENTE DESCENDENTE
A idéia central do método do gradiente descendente é descobrir o
mínimo local de uma função. Para isso ele se utiliza da derivada primeira da
equação para achar o vetor que a tange. Este processo é feito em movimentos de
pequenos passos abaixo do gradiente local do campo escalar. O vetor gradiente
aponta a direção para onde o algoritmo irá decrescer. É como os movimentos de um
esquiador, sempre para baixo da montanha, até atingir a base da mesma.
(PASSINO, 2005) A Figura 5.1 ilustra o funcionamento do método.
0 5 10 15-0.2
0
0.2
0.4
0.6
0.8
1
1.2 erro de estimação ARX, RLS
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4 Resposta ao PRBS, ARX RLS 3ªordem)
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
Sinal Degrau
44
Figura 5.1 – Passos do gradiente descendente.
Um problema clássico deste método está no fato em que o mínimo
local pode não ser o mínimo global. Entretanto, para a aplicação aqui proposta, não
há grande interferência deste fato.
O método do gradiente será utilizado para estimar o vetor de θ tal
que minimize a função custo (J), fazendo uma busca iterativa pelo ponto mínimo da
superfície do erro.
De acordo com (PASSINO, 2005) tem-se o valor estimado de θ
como:
( + 1) = ( ) + ∑ Ф ( ) ( ( ) − ( )Ф ( ))) (5.1)Para efeito de notação, ( ) = ·. Quando → ∞, é o valor
para o qual converge o gradiente. Simplificando a equação (5.1) temos:
( + 1) = ( ) + ( ) (5.2)Onde
45
( ) = − ( , ) (5.3)
O sinal negativo à frente da derivada parcial indica que o sentido
adotado será o inverso do vetor gradiente, Figura 5.2, por isso garante-se que o
método irá na direção do mínimo local.
Substituindo a equação (5.3) na (5.2) temos que:
( + 1) = ( ) − ( , ) (5.4)
A equação (5.4) é a regra de atualização de θ do método do
gradiente descendente. É possível perceber que a regra de atualização do método
gradiente é mais rápido em relação ao método recursivo de mínimos quadrados.
Segundo (PASSINO, 2005) a equação (5.4) mostra que o valor
atualizado de θ é igual ao valor atual mais uma correção proporcional ao negativo do
gradiente da superfície de erro. O valor do passo é definido por , o qual pode vir a
ser uma constante ou, quando → ∞, uma relação entre o valor atual e o número de
interações, como se segue.
= + 1 (5.5)A escolha certa do valor inicial de passo é importante, pois caso este
valor seja muito baixo, o algoritmo pode ficar pesado e demorar muito para
convergir, ou caso este valor seja muito alto o resultado pode ser muito impreciso.
Além da escolha do valor inicial do passo, é necessário fazer a
inicialização de θ, fazendo uma aproximação inicial da posição do valor mínimo.
Essa aproximação é essencial para que o algoritmo não se perca, e não acabe
convergindo para um valor de mínimo.
46
Figura 5.2 – Vetor gradiente, (HAYKIN,1994) .
Na Figura 5.2, a função custo é representada pela função
quadrática. O valor da derivada da função custo em relação a θ no ponto θ(n) não é
próxima de zero, portanto o método continuará. O próximo ponto será θ(n+1), ou
seja, o ponto seguinte na direção oposta ao gradiente da função. O método irá
culminar no ponto , onde o valor da função de custo é mínima. A diferença entre
θ(n) e θ(n+1) é o passo. Fica implícito que o ponto de mínimo é em onde J é
mínimo.
6 IDENTIFICAÇÃO FUZZY
A lógica Fuzzy consiste basicamente no fato de traduzir em termos
matemáticos informações imprecisas expressas por um conjunto de regras
lingüísticas. Este conjunto de regras é da forma SE ENTÃO (IF THEN).
A teoria Fuzzy lida com imprecisões, informações vagas,
ambigüidade e subjetividade. Por exemplo, como saber se uma pessoa de 1,80
metros é alta? Como saber se a temperatura está baixa? (PASSINO, YURKOVICH,
1998) Estas subjetividades são exemplos clássicos para o entendimento do
conceito.
Essas regras lingüísticas traduzem a função a ser representada.
Para cada regra está associado uma função de pertinência. O conjunto de funções
de pertinência representam a função a ser identificada.
Na Figura 6.1 esta um exemplo básico da lógica Fuzzy.
47
Figura 6.1 – Aproximação da função utilizando FUZZY T-S, (GAINO, 2009).
É possível identificar na Figura 6.1 as duas linearizações da função
f(x). A primeira linearização ( )é feita no ponto de operação = 0. Já a segunda
linearização ( )é feita no ponto de operação . As duas funções lineares não
representam a função não linear ( ). Uma boa aproximação desta função se dá
pela união das duas funções lineares. Portanto uma aproximação ( ( )) foi feita
através das funções linearizadas. Considerando ( ) ( )como modelos locais,
e ( ) ( ) como funções de pertinência, vê-se que ( ) ( ) são
positivas ou nulas. Quando = = 0 a função ( ) vale 1 e a função ( ) vale 0.
Já no ponto de operação = a função ( ) vale 0 e a função ( ) vale 1. Ao
longo da curva das funções pode-se ver que esses valores vão se alternando. Este
exemplo levou em consideração apenas duas regras lingüísticas, ou seja duas
funções de pertinência, portanto quanto mais funções de pertinência geradas,
melhor será a aproximação da função não linear.
Portanto deve-se escolher o número de regras bem como o formato
das funções de pertinências. No caso da Figura 6.1 as funções de pertinências tem
o formato sigmoidal. Na Figura 6.2 estão ilustradas outras formas de funções. Neste
trabalho será utilizado uma função gaussiana.
Figura 6.2
6.1 FUNÇÃO DE APROXIMAÇÃO
De acordo com (
onde O sistema Fuzzy pode ser representado abaixo
para todo
Para calc
pares de dados de entrada e saída. Os pares de dados
representados por (
conjunto de dados de treinamento como sendo
Figura 6.2 – Funções de pertinências, (MAGALY, 2011)
PROXIMAÇÃO
De acordo com (PASSINO, YURKOVICH, 1998), d
O sistema Fuzzy pode ser representado abaixo
pertencente ao conjunto X.
Para calcular os parâmetros de θ conta-se com um conjunto finito de
pares de dados de entrada e saída. Os pares de dados
), onde . Com isto pode
conjunto de dados de treinamento como sendo
48
Funções de pertinências, (MAGALY, 2011).
, dado uma função
com um conjunto finito de
pares de dados de entrada e saída. Os pares de dados do sistema g são
. Com isto pode-se definir o
49
={( , ), ( , ), … , ( , )} (6.2)onde M representa o número de pares de dados de entrada e saída.
Na Figura 6.3 ilustra o mapeamento dos dados de entrada e saída e
a aproximação da função.
Figura 6.3 – Mapeamento dos dados de entrada e saída (PASSINO, YURKOVICH,
1998).
O problema proposto resume-se em encontrar uma função ( | )que manipulando θ de modo que ( | ) se aproxime de g o mais próximo possível.
Portanto para isso deve-se avaliar o erro entre g(x) e ( | ).Pode-se denotar o erro usando as equações:
− (6.3), є г
sup{| − |} (6.4)onde г é o conjunto de dados de teste г = {( , ), ( , ), … , ( г, г)}.
50
6.2 EQUACIONAMENTO FUZZY PADRÃO
Para o modelo Fuzzy padrão, segundo (PASSINO, YURKOVICH,
1998), define-se a função ( | ) como sendo
( ) = ∑ ( )∑ ( ) (6.5)
Expandindo a equação (6.5) tem-se
( | ) = ( )∑ ( )+ ( )∑ ( )+ ⋯ + ( )∑ ( ) (6.6)De acordo com (PASSINO, YURKOVICH, 1998) ( )é a função de
pertinência gaussiana, a qual pode ser expressada como sendo.
( ) = exp (−0.5 − ) (6.7)
Definindo ( ) como sendo
( ) = ( )∑ ( ) (6.8)Substituindo a equação (6.8) na equação (6.6) tem-se:
( | ) = ( ) + ( ) + ⋯ + ( ) (6.9)Segundo (PASSINO, YURKOVICH, 1998) definindo os vetores
( ) como sendo:
=[ … . ] (6.10)( ) = [ … . ] (6.11)
51
Por fim, substituindo as equações (6.10) e (6.11) na equação (6.9)
tem-se:
( | ) = ( ) (6.12)Percebe-se que a equação (6.12) tem um comportamento linear,
para representar um sistema não linear.
A equação (6.12) resume a equação (6.5).
O estimador de mínimos quadrados estimará o vetor θ que minimize
o erro, a função custo.
6.2.1 Fuzzy Padrão Com Estimador MQ Batelada
Como já abordado anteriormente, o estimador de mínimos
quadrados por batelada mantêm as mesmas características, entretanto vamos
definir algumas nomenclaturas diferentes das utilizadas no item 3.1.
Temos que
( ) = [ , , … , ] (6.13)Ф( ) =
⎣⎢⎢⎡
( )( )⋮( ) ⎦⎥⎥⎤
Pode-se expressar o erro na aproximação dos pares de dados
, є como sendo:
= − ( ) (6.14)( ) = [ , , … , ] (6.15)
Reescrevendo a equação (6.13) temos
= − Ф (6.16)
52
Tomando a função custo de forma análoga ao desenvolvimento do
item 3.1 e fazendo as passagens matemáticas pertinentes de acordo com
(PASSINO, YURKOVICH, 1998), teremos o seguinte resultado:
= (Ф Ф) Ф (6.17)Nota-se que a equação (6.16) é idêntica à equação (3.8)
Na equação (6.17), para o caso Fuzzy padrão, θ terá o formato da
equação (6.10).
6.2.2 Fuzzy Padrão Com Estimador MQ Recursivo
Para o caso do método recursivo, o desenvolvimento é o mesmo
realizado anteriormente na seção 4.1.2. Entretanto algumas observações fazem-se
necessárias.
As equações (4.18) e (4.19) podem ser atualizadas em termos de
nomenclaturas.
( ) = ( − 1) + ( )[ − ( ) ( − 1)] (6.18)( ) = ( − 1) − ( − 1) ( +( ) ( − 1) ) ( ) ( − 1) (6.19)
É necessário que θ e P sejam inicializados. Usualmente podem ser
inicializados como (0) = 0 (0) = onde = .6.3 FUZZY TAKAGI-SUGENO
O Fuzzy T-S é um caso específico do modelo Fuzzy padrão. Nesta
subseção será definido o modelo e a equação de pertinência para o caso T-S.
O modelo Fuzzy T-S será utilizado para identificar a função não
linear da equação do paraplégico (GAINO,2009). Para fazer isto, o método faz várias
identificações, linearizando a função em diversos pontos de operação diferentes. As
diversas funções são unidas para se estimar a função não linear.
Segundo (PASSINO, YURKOVICH, 1998) ( | ) pode ser definida
como sendo:
53
=∑ ( ) ( )∑ ( ) (6.20)
Nota-se que a diferença entre a equação geral do Fuzzy padrão
(6.5) e a equação do Fuzzy T-S (6.20) é o parâmetro da função de pertinência,
( ), o qual segundo (PASSINO, YURKOVICH, 1998) pode ser definido como
sendo:
( ) = , + , + ⋯ + , (6.21)Nota-se que a equação (6.21) é uma função da entrada x. Com isso
substituindo a equação (6.21) na equação (6.20) obtêm-se:
=∑ , ( )∑ ( ) + ∑ , ( )∑ ( ) + ⋯ + ∑ , ( )∑ ( ) (6.22)
Segundo (PASSINO, YURKOVICH, 1998) redefinindo os vetores
( ) para o caso Fuzzy T-S, como sendo:
= [ , , , , … , , , , , , , … , , , … , , , , , … , , ]′ (6.23)
( ) = [ ( ), ( ), … , ( ), ( ), ( ), … , ( ), …,( ), ( ), … , ( )]′ (6.24)
Substituindo as equações (6.23) e (6.24) na equação (6.20) tem-se
( | ) = ( ) (6.25)Nota-se que a equação (6.25) é idêntica à equação (6.12), o que
mostra o caráter linear do modelo.
Portanto o método de mínimos quadrados é aplicado no modelo
Fuzzy T-S da mesma maneira do aplicado no Fuzzy padrão.
54
7 MODELO MATEMÁTICO PARA CONTROLE DA POSIÇÃO DA PERNA DE
PACIENTES PARAPLÉGICOS
Todos os movimentos realizados no corpo humano são gerados por
contrações dos músculos, através de estímulos elétricos enviados pelo cérebro.
Estes estímulos elétricos podem ser identificados a fim de reproduzi-los
artificialmente.
Tendo isto em vista, centraliza-se o estudo na estimulação elétrica
das pernas de pacientes paraplégicos. É preciso analisar as componentes deste
movimento.
A figura 7.1 ilustra o modelo mecânico do sistema canela-tornozelo
do corpo humano.
Figura 7.1 – Representação do modelo da perna do paciente, (FERRARIN;
PEDOTTI, 2000) adaptado por (GAINO, 2009).
As componentes do modelo mecânico da Figura 7.1, de acordo com
(FERRARIN; PEDOTTI, 2000) estão descritas abaixo:
é o torque ativo aplicado ao joelho;
é o ângulo comum do joelho ;
é o ângulo da canela em relação ao eixo vertical;
55
é a distância do joelho ao centro de massa do complexo
canela-pé;
é o peso do sistema canela-pé, ou seja, a massa
multiplicada pela ação da gravidade.
As componentes do modelo mecânico da Figura 7.1 estão
descritas abaixo:
Este modelo será identificado, iniciando pelas equações:
( ) = ( ) (7.1)( ) = (7.2)
O modelo básico que expressa o movimento do complexo em
estudo, segundo (FERRARIN; PEDOTTI, 2000) é dado pela equação diferencial
ordinária de segunda ordem não linear descrita abaixo:
= − ( ) + + + (7.3) Onde J é o momento de inércia do complexo canela-pé, � é a
aceleração angular da canela, é o torque devido ao componente de rigidez, é
o torque ativo do joelho produzido pelo estímulo elétrico e B é o coeficiente de atrito
viscoso.
Alguns valores serão adotados de acordo com a Tabela 7.1.
Tabela 7.1 – Grandezas antropométricas do paraplégico.0.362[ . ]4.37[ ]23.8[ ]0.27 . .41.208 .
2.024[ ]ω 2.918[ ]
0.951[s]
42500[ .Fonte: (FERRARIN; PEDOTTI, 2000)
56
Para encontrar a largura de pulso P de entrada do sistema é feito o
desenvolvimento que se segue. Assim a componente de rigidez é dada por:
= − ( − ) (7.4)Onde λ e E são coeficientes do termo exponencial e ω é o ângulo
elástico de repouso do joelho. Considerando = + na equação (7.4), reescreve-
se a equação (7.3) como.
= 1 (− ( ) − + 2 − + + (7.5)
Pode-se calcular no ponto de operação ( )com
= 30° utilizando a equação (7.5). (GAINO, 2009)
= ( ) + + 2 − (7.6)
Substituindo os dados da Tabela 7.1 na equação (7.6) tem-se:
= 4,37.9,8.23,8. (30°) + 41,208. , , 2 + 2 − 2,918
= 4,6068 .Este valor significa o torque ativo do joelho em regime permanente.
Definindo o equilíbrio dinâmico dos componentes em torno da junção
do joelho, no domínio do tempo, como:
+ = . (7.7)Sendo ∆ = = ∆ + a equação (7.7) passa a ser
escrita como
57
∆ + ∆ = . − (7.8)
Da equação (7.8) pode-se concluir que no ponto de operação a
largura de pulso P é igual a (GAINO, 2009)
= (7.9)
Aplicando os dados da Tabela 7.1 na equação (7.9) tem-se que
= 4,606842500 = 1,0839. 10 [ ]
Este valor corresponde à largura de pulsos P no ponto de operação.
Substituindo os resultados na equação (7.1), tem-se o modelo de primeira ordem.
( ) = ( )= + 1
( ) = 425000,951 + 1 (7.10)
Já para o caso de segunda ordem, o modelo pode ser representado
por (TEIXEIRA, et al, 2007).
( ) = ( )( )= 1² + +.
Onde = 0,362[ . ] = 0,27[ . .] , de acordo com a Tabela
7.1. Já k é linearizado por (TEIXEIRA, et al, 2007) como sendo
58
= ( ) − + 2 − + (7.11)
Substituindo os valores na Tabela 7.1 com = 30°, tem-se
= 572,613.A equação (7.2) fica
( ) = 10,362 + 0,27 + 572,613. (7.12)
8 ESTÍMULOS DE ENTRADA
No sistema pode ser aplicado qualquer sinal de entrada, entretanto
neste trabalho foram aplicados apenas dois modelos de sinais de entrada, o degrau
e o sinal PRBS.
8.1 SINAL DEGRAU
O sinal degrau é bastante utilizado para a identificação de sistemas.
Sua característica principal é simular uma carga constante, podendo ou não ser
unitária, subitamente aplicada e conservando-se por um longo período de tempo.
Segundo (AGUIRRE, 2000) pode-se definir um degrau unitário matematicamente
como sendo
( − ) = 0 <1 >� (5.1)
A Figura 8.1 mostra um degrau unitário aplicado no tempo de 1
segundo.
59
Figura 8.1 – Degrau unitário.
Na interface SIMULINK é utilizado o bloco STEP para gerar o
degrau, podendo ser configurado os valores de amplitude inicial e final, bem como o
tempo do degrau na caixa de dialogo da Figura 8.2.
Na Figura 8.2 Step time é o momento em que o degrau será
aplicado, Initial value e final value são parâmetros das amplitudes mínima e máxima
e Sample time é o tempo de amostragem para o caso discreto.
Percebe-se que a configuração da caixa de diálogo na Figura 8.2
gera a imagem da Figura 8.1.
60
Figura 8.2 – Caixa de diálogo para configuração do degrau.
8.2 SINAL PRBS
O sinal PRBS (pseudo random binary signal) é um sinal binário
periódico e fácil de ser gerado. É um sinal pseudo aleatório por parecer não ter um
período.
O sinal PRBS, por ser binário, pode assumir apenas dois valores de
amplitude. As mudanças de valores, além de serem determinadas, ocorrem apenas
em instantes definidos = 0, ·, 2 , … O período o sinal PRBS é = onde N é
um número ímpar.
O tipo mais comum desse sinal é o de seqüência de comprimento
máximo, ou seqüência m. Este sinal é gerado usando um registro de deslocamento,
uma porta E (R1 ou R2, etc) e outra porta OU – Exclusivo, Figura 8.3. (AGUIRRE,
2000)
61
Para o sinal de seqüência m o período é o mesmo, = , onde
= 2 − 1, sendo n o número de bits do registrador de deslocamento.
Portanto o circuito de geração do sinal PRBS pode ser representado
na Figura 8.3
Figura 8.3 – Circuito para gerar PRBS.(LEMOS; BERNARDINHO, 2011)
As possibilidades de geração do sinal de seqüência m estão
indicadas na Tabela 8.1
Tabela 8.1 – Conexões para gerar sinais de seqüência m. = 2 − 1 bits usados pelaporta OU - Exclusivo
2 3 1 e 23 7 2 e 34 15 3 e 45 31 4 e 56 63 5 e 67 127 4 e 78 255 2,3,4 e 89 511 5 e 9
10 1023 7 e 1011 2047 9 e 11
Fonte: (AGUIRRE, 2000)
A Figura 8.4 traz um sinal PRBS, apenas para exemplificar-lo.
62
Figura 8.4 – Sinal PRBS.
No software MATLAB o sinal PRBS pode ser gerado usando o
comando idinput. Este comando pode gerar um sinal PRBS de seqüência m
conforme a Tabela 8.1, e qualquer amplitude. A linha de comando abaixo gera o
sinal PRBS no MATLAB.
>>sinal = idinput(127, 'PRBS’, B, amplitude);
Onde ‘127’ representa N da Tabela 8.1, ‘PRBS’ representa o método
do sinal, pois esta ferramenta pode gerar outros tipos de sinais. B é tal que o sinal é
constante ao longo de intervalos de comprimento de 1/B. Pode ser representado por
[0,1]. A amplitude é uma célula com o valor mínimo e máximo do sinal PRBS, [Mi
Ma], ou seja, pode assumir qualquer valor de amplitude. Na Figura 8.4 foi utilizado a
amplitude de 0 a 1.
Para gerar o sinal da Figura 8.4 a linha de comando fica:
>>sinal = idinput(127, 'PRBS’, [0, 1], [0, 1]);
63
9 RESULTADOS
Para a identificação do sistema, foi montada a equação do
paraplégico no software Simulink, ferramenta do Matlab, para a coleta dos dados de
entrada e saída. A Figura 9.1 mostra a planta no simulink.
Figura 9.1 – Equação do paraplégico no ambiente Simulink, adaptado de (GAINO,
2009)
Inicialmente foi aplicado um sinal degrau, com amplitude de
1.084 10 , e logo após foi aplicado um sinal PRBS na entrada com a mesma
amplitude. A entrada foi transferida para o prompt do Matlab através do bloco “ to
workspace “ do Simulink com o nome entrada. As saídas também foram transferidas
para o prompt do Matlab como os nomes Ma e Ov.
Sabendo que a melhor representação para a planta da Figura 9.1 é
uma função de transferência de terceira ordem, e que o sistema tem um
comportamento não-linear, a planta foi desmembrada afim de se obter as equações
de primeira e segunda ordem, e assim conseqüentemente a equação de terceira
ordem.
64
Será estimado a função de primeira ordem ( ) = ( )e logo em
seguida a função de segunda ordem ( ) = ( )( ), ambas lineares. A função de
terceira ordem será obtida multiplicando-se H(s) e D(s), pois é sabido que a
multiplicação discreto é igual à convolução no tempo. A Figura 9.2 resume a
proposta para obtenção da função de terceira ordem utilizando apenas métodos
lineares.
Figura 9.2 – Fluxograma para obtenção da função de terceira ordem.
9.1 Identificação modelo ARMA
A equação de primeira ordem a ser identificada é a função de
transferência que modela o complexo canela tornozelo, o qual consiste na relação
do torque a qual o músculo da perna está sujeito, com a largura de pulsos da
estimação elétrica na perna do paciente:
( ) = 425000,951 + 1Sendo que a entrada do modelo ARMA será o vetor de dados
“entrada” e a saída o vetor de dados “Ma”, a identificação com o modelo ARMA,
batelada e recursivo, com a entrada degrau, está mostrada nas Figuras 9.3 e 9.4.
A amplitude do sinal PRBS aplicado na entrada do sistema de
primeira ordem é de 0 a 1.0839x10 . A resposta para os casos batelada e recursivo
estão nas Figuras 9.5 e 9.6.
1ª Ordem H(z)
2ª Ordem D(z)
3ª Ordem (z)
Multiplicação D(z) . H(z)
65
Figura 9.3 – Identificação ARMA de primeira ordem, resposta ao degrau.
Figura 9.4 – Identificação ARMA RLS de primeira ordem, resposta ao sinal degrau.
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5x 10
-11 erro de estimação ARMA
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 26.51Y: 4.607
Resposta ao Degrau ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5x 10
-11 erro de estimação ARMA RLS
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 22.93Y: 4.607
Resposta ao Degrau ARMA RLS
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
66
Figura 9.5 – Identificação ARMA de primeira ordem, resposta ao sinal PRBS.
Figura 9.6 – Identificação ARMA RLS de primeira ordem, resposta ao sinal PRBS.
0 10 20 30-3
-2
-1
0
1
2
3x 10
-5 erro de estimação ARMA
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 25.31Y: 4.607
Resposta ao PRBS ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
0 10 20 30-3
-2
-1
0
1
2
3x 10
-5 erro de estimação ARMA RLS
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 28.55Y: 4.607
Resposta ao PRBS ARMA RLS
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
67
Pode-se perceber a semelhança entre o sinal original e o identificado
para cada um dos quatro casos mostrados acima, tanto para o batelada quanto para
o recursivo, mostrando a eficiência dos dois métodos para identificação de primeira
ordem.
Isto se deve ao fato de ser um sistema de primeira ordem e linear,
fácil de ser identificado. Mesmo o sinal de entrada PRBS, obteve-se a mesma
função identificada.
Enquanto à função de transferência propriamente dita, foi obtida a
seguinte função imprimida no prompt do Matlab:
( ) = 44690+ 1,052 (9.1)
A equação 9.1 é idêntica à equação de transferência de primeira
ordem, pelo fator multiplicativo igual a 0,951.
( ) = 44690+ 1,052∗ 0,9510,951 = 425000,951 + 1
O próximo passo foi identificar a função de segunda ordem, de
acordo com as equações (7.2) e a (9.2)
( ) = ( ) = 10,362 + 0,27 + 572,613 (9.2)
Como no caso de primeira ordem foi possível observar que o método
batelada e o recursivo, para o nosso caso, tem o mesmo efeito. Por isso as
identificações que se seguem serão apenas para o caso batelada.
Sendo que a entrada do modelo ARMA será o vetor de dados “Ma” e
a saída o vetor de dados “ ”, a identificação com o modelo ARMA, batelada está
mostrada na Figura 9.7.
A amplitude do sinal PRBS aplicado na entrada do sistema de
primeira ordem é de 0 a 4.6038. A resposta para o caso batelada está na Figura 9.8.
68
Figura 9.7 – Identificação ARMA batelada de segunda ordem, resposta ao Degrau.
Figura 9.8 – Detalhe na identificação ARMA batelada de segunda ordem, resposta
ao Degrau.
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
-6 erro de estimação ARMA
0 10 20 30-1
0
1
2
3
4
5
X: 22.59Y: 0.5232
Resposta ao Degrau ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
Sinal Degrau
0 5 10 15 20 25 300
0.2
0.4
0.6
0.8
1
X: 24.62Y: 0.5232
System: função identif icadaTime (seconds): 24.4Amplitude: 0.527
Resposta ao Degrau ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
69
Para esta estimação foram obtidos o vetor θ e a função de
transferência, como se segue:
= [−1.99934316539804; 0.99937122; 3.207347 − 6]( ) = 3.208+ 0.629 + 28.06 (9.3)
Já para o resultado da Figura 9.8 o vetor e função de transferência
está exposto abaixo.
= [−1.999134109; 0.999162107; 3.240756 − 6]( ) = 3.242+ 0.8382 + 28.01 (9.4)
Note que as equações (9.3) e (9.4) são diferentes. O porquê desta
situação será explicado na seção seguinte.
Figura 9.9 – Identificação ARMA batelada de segunda ordem, resposta ao Sinal
PRBS.
0 10 20 30-2
0
2
4
6
8
10
12
14
16x 10
-6 Erro de estimação ARMA
0 5 10 15 20 25 30-1
0
1
2
3
4
5
X: 26Y: 0.5243
Resposta ao PRBS ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
sinal PRBS
70
Figura 9.10 – Detalhe da identificação ARMA batelada de segunda ordem, resposta
ao Sinal PRBS.
Na Figura 9.10 é mostrada a resposta do sistema de segunda ordem
com um aumento na área de transitório.
Por fim multiplicando a equação de primeira ordem pela de segunda
ordem, de acordo com a Figura 9.2, tem-se que
( ) = ( ). ( ) = 1.433 − 41 ³ − 2.998 ² + 2.997 − 0.9983 (9.5)
Usando a ferramenta d2c obteve-se a seguinte função de
transferência.
( ) = 1.434 5³ + 1.73 ² + 28.5 + 30.61A resposta ao degrau está na Figura 9.11 e a resposta ao sinal
PRBS está na Figura 9.12.
0 5 10 15 20 25 30-1.5
-1
-0.5
0
0.5
1
1.5
X: 28.83Y: 0.5229
System: função identif icadaTime (seconds): 28.8Amplitude: 0.543
Resposta ao PRBS ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
71
Figura 9.11 – Identificação ARMA batelada de terceira ordem, resposta ao degrau.
Figura 9.12 – Identificação ARMA batelada de terceira ordem, resposta ao Sinal
PRBS.
0 10 20 30-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
X: 24.63Y: 0.04213
Resposta ao Degrau ARMA
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
X: 26.5Y: 0.5232
System: função identif icadaTime (seconds): 15.8Amplitude: 0.481
Resposta ao Degrau ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
0 10 20 30-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3 Resposta ao PRBS ARMA
X: 27.2Y: -0.01867
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
X: 28.89Y: 0.5232
Resposta ao PRBS ARMA
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
72
9.2 Identificação modelo ARX
Para o modelo ARX foi realizado o mesmo procedimento do item
9.1, referente ao modelo ARMA. A resposta do modelo ARX para a entrada degrau
está mostrada na figura 9.13. Já a resposta ao sinal PRBS está na figura 9.14.
Figura 9.13 – Identificação ARX de primeira ordem, resposta ao degrau.
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5x 10
-11 erro de estimação ARX
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 27.19Y: 4.607
Resposta ao Degrau ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
73
Figura 9.14 – Identificação ARX de primeira ordem, resposta ao sinal PRBS.
Sendo que a entrada do modelo ARX será o vetor de dados “Ma” e a
saída o vetor de dados “ ”, a identificação com o modelo ARX, batelada está
mostrada na Figura 9.13.
Já para o sinal de entrada PRBS, a identificação para o caso
batelada está na Figura 9.15.
0 10 20 30-3
-2
-1
0
1
2
3x 10
-5 erro de estimação ARX
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
X: 25.48Y: 4.607
Resposta ao PRBS ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
74
Figura 9.15 – Identificação ARX de segunda ordem, resposta ao degrau.
Figura 9.16 – Identificação ARX de segunda ordem, resposta ao sinal PRBS.
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
-6 erro de estimação ARMA
0 10 20 30-1.5
-1
-0.5
0
0.5
1
1.5
X: 26.5Y: 0.5233
Resposta ao Degrau ARX)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
0 10 20 30-2
0
2
4
6
8
10
12
14
16x 10
-6 erro de estimação ARMA
0 10 20 30-1
0
1
2
3
4
5
X: 26.32Y: 0.5228
Resposta ao PRBS ARX)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
Sinal PRBS
75
Figura 9.17 – Detalhe na identificação ARX de segunda ordem, resposta ao sinal
PRBS.
Para a Figura 9.15, resposta a degrau, foram obtidos o vetor θ e a
função de transferência, como se segue:
= [−1.99934316539804; 0.99937122; 3.207347 − 6]( ) = 3.208+ 0.629 + 28.06 (9.6)
Já para a resposta ao sinal PRBS, Figura 9.14, foram obtidos o vetor
θ e a função de transferência, como se segue:
= [−1.99934682307; 0.99937486; 3.1970139 − 6]( ) = 3.198+ 0.6253 + 28.05 (9.7)
Por fim multiplicando a equação de primeira ordem pela de segunda
ordem, de acordo com a Figura 9.2, tem-se que
0 5 10 15 20 25 30-1.5
-1
-0.5
0
0.5
1
1.5
X: 27.33Y: 0.5235
System: sistema originalTime (seconds): 27.3Amplitude: 0.488
Resposta ao PRBS ARX)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
76
( ) = ( ). ( ) = 1.433 − 41 ³ − 2.998 ² + 2.997 − 0.9983 (9.8)
Usando a ferramenta d2c obteve-se a seguinte função de
transferência.
( ) = 1.434 5³ + 1.73 ² + 28.5 + 30.61A resposta ao degrau está na Figura 9.18 e Figura 9.19 e a resposta
ao sinal PRBS está na Figura 9.20 e Figura 9.21.
Figura 9.18 – Identificação ARX batelada de terceira ordem, resposta ao degrau.
0 10 20 30-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25 Resposta ao Degrau ARX
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
X: 24.29Y: 0.5232
Resposta ao Degrau ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
77
Figura 9.19 – Detalhe da identificação ARX batelada de terceira ordem, resposta ao
degrau.
Figura 9.20 –Identificação ARX batelada de terceira ordem, resposta ao sinal PRBS.
0 5 10 15 20 25 30
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
X: 20.93Y: 0.5232
System: função identif icadaTime (seconds): 25.4Amplitude: 0.527
Resposta ao Degrau ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
0 10 20 30-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3 Resposta ao Degrau ARX
X: 25.11Y: 0.03493
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
X: 23.08Y: 0.5228
Resposta ao PRBS ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
78
Figura 9.21 – Detalhe na identificação ARX batelada de terceira ordem, resposta ao
sinal PRBS.
9.3 Identificação Gradiente Descendente
Utilizando o método do gradiente descendente para a estimação da
função de transferência de primeira ordem, obteve-se o resultado idêntico aos
obtidos nos métodos anteriores, como ilustrado nas figuras que se seguem.
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X: 26.91Y: 0.5232
System: função identif icadaTime (seconds): 27Amplitude: 0.487
Resposta ao PRBS ARX
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
79
Figura 9.22 – Identificação gradiente descendente de primeira ordem, resposta ao
degrau.
Figura 9.23 – Identificação gradiente descendente de primeira ordem, sinal PRBS.
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5x 10
-12 erro de estimação gradiente
0 10 20 300
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5 Resposta ao gradiente desc.
TEMPO (s) (seconds)
AM
PLI
TU
DE
Função identif icada
Função original
0 10 20 30-1
0
1
2
3
4
5
Tempo (s)
Am
plitu
de
Identificação ARX Gradiente
sistema original
Modelo
0 10 20 30-3
-2
-1
0
1
2
3
4x 10
-4 erro de estimação ARX Gradiente
80
Já para o caso de segunda ordem a resposta a degrau está
mostrado na Figura 9.24 e o sinal PRBS na Figura 9.25.
Figura 9.24 – Identificação gradiente descendente de segunda ordem, sinal degrau
0 10 20 30-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5x 10
-7 erro de estimação gradiente
0 10 20 30-1.5
-1
-0.5
0
0.5
1
1.5 Resposta ao gradiente desc.)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
81
Figura 9.25 – Identificação gradiente descendente de segunda ordem, sinal PRBS
Por fim multiplicando a equação de primeira ordem pela de segunda
ordem, de acordo com a Figura 9.2, tem-se o resultado na Figura 9.26 e Figura 9.27.
0 10 20 30-2
0
2
4
6
8
10
12
14
16x 10
-7 erro de estimação gradiente
0 10 20 30-1.5
-1
-0.5
0
0.5
1
1.5 Resposta gradiente desc.)
TEMPO (s) (seconds)
AM
PLI
TU
DE
sistema original
Modelo
sinal PRBS
82
Figura 9.26 – Identificação gradiente descendente de terceira ordem, sinal degrau
Figura 9.27 – Identificação gradiente descendente de terceira ordem, sinal PRBS
0 10 20 30-0.015
-0.01
-0.005
0
0.005
0.01
0.015
0.02
0.025 erro de estimação
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8 Resposta gradiente desc.
TEMPO (s) (seconds)
AM
PLI
TU
DE
função identif icada
função original
0 10 20 30-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03 erro de estimação
Resposta gradiente desc.
TEMPO (s) (seconds)
AM
PLI
TU
DE
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
X: 25.31Y: 0.5231
System: função identif icadaTime (seconds): 25.1Amplitude: 0.488
função identif icada
função original
83
9.4 Identificação utilizando modelos Fuzzy
Mediante as identificações realizadas, utilizando os modelos lineares
ARMA e ARX, percebe-se que a equação de terceira ordem não foi identificada
corretamente. Por isso utilizou-se o modelo Fuzzy padrão e o Fuzzy T-S para
identificar apenas a planta inteira do sistema do movimento do paciente paraplégico,
Figura 9.1, ou seja, a equação não linear de terceira ordem.
Para o modelo Fuzzy Padrão foi utilizado uma função de pertinência
do tipo gaussiana e foram utilizados 44 regras. O número de regras foi obtido por
experiência prática, e as regras foram distribuídas de tal forma que no instante no
tempo em que ocorresse o transitório tivesse uma maior concentração de regras, o
que pode ser observado na Figura 9.28.
A identificação da função não linear de terceira ordem, na resposta
ao degrau, para o método MQ batelada está na Figura 9.29 e mostrada com mais
detalhes na Figura 9.30. Já para o método RLS a estimação está na Figura 9.31 e
na Figura 9.32.
Figura 9.28 – Número de regras e formato das funções de pertinências na
Identificação Fuzzy Padrão.
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
x
Am
plitu
de
Fuzzy Padrão, 44 regras, funções de pertinência
84
Figura 9.29 – Identificação Fuzzy Padrão de terceira ordem, resposta ao Degrau.
Figura 9.30 – Detalhe na identificação Fuzzy Padrão de 3ª ordem, resposta degrau.
0 10 20 30-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04 erro de estimação Fuzzy padrão
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
X: 26.09Y: 0.5232
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão, Degrau
sistema original
Modelo
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
X: 20.7Y: 0.5237
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão, resposta ao Degrau
sistema original
Modelo
85
Figura 9.31 – Identificação Fuzzy Padrão de terceira ordem utilizando RLS, resposta
ao Degrau.
Figura 9.32 – Detalhe na identificação Fuzzy Padrão de terceira ordem utilizando
RLS, resposta ao Degrau.
0 10 20 30-0.06
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03 erro de estimação Fuzzy Padrão
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
X: 23.54Y: 0.5232
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão RLS, Degrau
sistema original
Modelo
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
X: 23.81Y: 0.5233
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão RLS, resposta ao Degrau
sistema original
Modelo
86
Percebe-se que o método recursivo obteve uma melhor resposta do
que o método batelada, com o mesmo número de regras, obtendo uma
representação fiel a original.
A identificação do método MQ batelada, para a resposta ao sinal
PRBS, está na Figura 9.33 e na Figura 9.34. Já a identificação utilizando o método
RLS está na Figura 9.35 e na Figura 9.36.
Figura 9.33 – Identificação Fuzzy Padrão de terceira ordem, resposta ao sinal
PRBS.
0 10 20 30-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08 erro de estimação Fuzzy padrão
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 25.71Y: 0.5234
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão, PRBS
sistema original
Modelo
87
Figura 9.34 – Detalhe na identificação Fuzzy Padrão de terceira ordem, resposta ao
sinal PRBS.
Figura 9.35 – Identificação Fuzzy Padrão de terceira ordem utilizando RLS, resposta
ao sinal PRBS.
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 26.51Y: 0.5236
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão, resposta ao PRBS
sistema original
Modelo
0 10 20 30-0.06
-0.04
-0.02
0
0.02
0.04
0.06 erro de estimação Fuzzy Padrão
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 27.81Y: 0.5231
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão RLS, PRBS
sistema original
Modelo
88
Figura 9.36 – Detalhe na identificação Fuzzy Padrão de terceira ordem utilizando
RLS, resposta ao sinal PRBS.
Percebe-se que o método recursivo obteve uma melhor resposta do
que o método batelada, com o mesmo número de regras. Entretanto ambos tiveram
alto índice de erro e não representaram fielmente a parte transitória do sinal.
Para o modelo Fuzzy T-S foi utilizado uma função de pertinência do
tipo gaussiana e foram utilizados 150 regras. O número de regras foi obtido por
experiência prática, e as regras foram distribuídas de tal forma que no instante no
tempo em que ocorresse o transitório tivesse uma maior concentração de regras, o
que pode ser observado na Figura 9.37.
A identificação da função não linear de terceira ordem, na resposta
ao degrau, para o método MQ batelada, está na Figura 9.38 e mostrada com mais
detalhes na Figura 9.39. Já para o método RLS a estimação está na Figura 9.40 e
na Figura 9.41.
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 25.41Y: 0.5232
Tempo (s)
Am
plitu
de
Identificação Fuzzy Padrão RLS, resposta ao PRBS
sistema original
Modelo
89
Figura 9.37 – Número de regras e formato das funções de pertinências na
Identificação Fuzzy Takagi-Sugeno.
Figura 9.38 – Identificação Fuzzy T-S de terceira ordem, resposta ao Degrau.
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
Am
plitu
de
Fuzzy Takagi-Sugeno, 150 regras, funções de pertinência
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 23.76Y: 0.5232
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S
sistema original
Modelo
0 10 20 30-3
-2
-1
0
1
2
3
4
5x 10
-5 erro de estimação Fuzzy T-S
90
Figura 9.39 – Detalhe na identificação Fuzzy T-S de terceira ordem, resposta ao
Degrau.
Figura 9.40 – Identificação Fuzzy T-S rls de terceira ordem, resposta ao Degrau.
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 24.37Y: 0.5233
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S, resposta ao Degrau
sistema original
Modelo
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S RLS
sistema original
Modelo
0 10 20 30-3
-2
-1
0
1
2
3
4
5x 10
-5 erro de estimação Fuzzy T-S RLS
91
Figura 9.41 – Detalhe na identificação Fuzzy T-S RLS de terceira ordem, resposta
ao Degrau.
A identificação do método MQ batelada, para a resposta ao sinal
PRBS, está na Figura 9.42 e na Figura 9.43. Já a identificação utilizando o método
RLS está na Figura 9.44 e na Figura 9.45.
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S RLS, resposta ao Degrau
sistema original
Modelo
92
Figura 9.42 – Identificação Fuzzy T-S de terceira ordem, resposta ao PRBS.
Figura 9.43 – Detalhe na identificação Fuzzy T-S de terceira ordem, resposta ao
PRBS.
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 23.44Y: 0.5232
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S
sistema original
Modelo
0 10 20 30-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1x 10
-4 erro de estimação Fuzzy T-S
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
X: 22.99Y: 0.5234
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S, resposta ao PRBS
sistema original
Modelo
93
Figura 9.44 – Identificação Fuzzy T-S RLS de terceira ordem, resposta ao PRBS.
Figura 9.45 – Detalhe na identificação Fuzzy T-S RLS de terceira ordem, resposta
ao PRBS.
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S RLS
sistema original
Modelo
0 10 20 30-6
-4
-2
0
2
4
6
8x 10
-5 erro de estimação Fuzzy T-S RLS
0 5 10 15 20 25 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo (s)
Am
plitu
de
Identificação Fuzzy T-S RLS, resposta ao PRBS
sistema original
Modelo
94
Percebe-se que o método recursivo obteve um menor erro do que o
método batelada, com o mesmo número de regras. Ambas obtiveram respostas fiéis
a original.
A identificação do método gradiente descendente, foi realizado
utilizando o modelo Fuzzy Padrão, pelo motivo de o modelo Fuzzy T-S já ter
conseguido uma ótima resposta. A estimação para a entrada degrau está na Figura
9.46, e com a entrada PRBS está na Figura 9.47.
Figura 9.46 – Identificação Fuzzy de terceira ordem, resposta ao Degrau, utilizando
gradiente descendente.
0 10 20 30-6
-5
-4
-3
-2
-1
0
1
2
3x 10
-3 erro de estimação Fuzzy Gradiente
0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Tempo (s)
Am
plitu
de Identificação Fuzzy Gradiente, Degrau
sistema original
Modelo
95
Figura 9.47 – Identificação Fuzzy de terceira ordem, resposta ao PRBS, utilizando
gradiente descendente.
0 10 20 30-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo (s)
Am
plitu
de
Identificação Fuzzy Gradiente
sistema original
Modelo
0 10 20 30-6
-4
-2
0
2
4
6
8x 10
-4 erro de estimação Fuzzy Gradientex
96
10 DISCUSSÃO DE RESULTADOS
A identificação do modelo do movimento do paciente paraplégico foi
feita em três etapas, a função de primeira ordem, de segunda e de terceira. Para
ambos os casos foram aplicados os métodos de identificação propostos.
O método de batelada e o recursivo obtiveram a mesma resposta,
isso por se tratar de um sistema simulado em ambiente Matlab. Não houve a
necessidade de uma implementação on-line, por isso os resultados do modelo
recursivo foram omitidos para o caso de segunda e terceira ordem.
Com isso pode-se comparar o modelo ARMA e ARX. Pode-se ver
que ambos obtiveram a mesma performance para o caso de primeira ordem, o que
era esperado, tanto para a entrada degrau quanto para o sinal PRBS. No caso de
segunda ordem os modelos tiveram a mesma resposta para o caso da entrada
degrau, entretanto para o sinal PRBS obtiveram respostas diferentes. Esta diferença
é esperada, já que o ARX leva em consideração a influência de um ruído. Neste
caso do sinal PRBS, tem a forma como de um ruído branco, ou seja média nula, o
que deixa a identificação muito mais difícil, entretanto mesmo sendo um pouco
diferente do modelo real, o sistema identificado estabiliza no mesmo nível de
amplitude. Por fim para o caso de terceira ordem, pela equação ser não linear,
ambos obtiveram uma resposta não condizente com o sistema real, não
estabilizando. Por isso foi realizado a multiplicação da função de primeira ordem pelo
de segunda ordem, ou seja, foi feito uma convolução no tempo entre os dois para
obter o esboço da função de terceira ordem.
Os resultados obtidos com o gradiente descendente foram análogos
aos anteriores, isto pelo fato de estar sendo utilizado uma modelagem matemática
linear para se representar a função de terceira ordem do paraplégico.
Já utilizando o modelo Fuzzy Padrão, o sistema de terceira ordem
não linear a estimação obteve uma ótima resposta, ao Degrau e para o PRBS,
mesmo com algumas diferenças na parte transitória no método MQ batelada. Por
fim, a identificação utilizando o modelo Fuzzy T-S obteve uma excelente resposta
para todos os métodos e entradas, se mostrando o modelo mais eficiente do estudo.
A diferença entre o número de regras dos modelos Fuzzy padrão e
do Fuzzy T-S diz respeito á resposta obtida na prática, e não ao conceito de quanto
97
mais regras melhor. Portanto o número de regras foi escolhido por tentativas
práticas.
98
11. TRABALHOS FUTUROS
Segue nesta seção algumas sugestões, as quais podem ser
desenvolvidas para continuar este estudo. São elas:
1. Otimizar e automatizar a escolha do número de regras para o
modelo Fuzzy.
2. Expandir os estudos para a identificação de sistemas não
lineares, utilizando os modelos não lineares dos utilizados
neste trabalho, NARX e NARMA.
99
12. CONCLUSÃO
A identificação de sistemas tem um papel muito importante para
resolução de problemas práticos. Assim como no caso estudado, a identificação
deste sistema serve para poder gerá-lo de forma mais simples, e posteriormente
poder aplicá-lo na prática. Além disto, pode-se identificar qualquer função em que
não se tenha nenhum conhecimento prévio do sistema, utilizando o método de caixa
preta.
A opção pelo modelo de estimação ARMA se deu pelo fato de que
não há consideração de uma entrada exógena, ou seja, um ruído, o qual torna o
sistema mais vulnerável, entretanto mais simples de ser implementado. Já o modelo
ARX, considera a entrada exógena, tornando o sistema mais próximo do real. Este
ruído foi importante no caso da entrada como sendo o sinal PRBS.
Foi possível observar a diferença de identificação da função quando
aplicado a ela um sinal degrau entre um sinal PRBS. A escolha em se aplicar um
sinal PRBS é o fato de que o sinal PRBS se comporta como sendo um ruído branco,
fato este que torna a identificação do sistema muito mais difícil, fazendo com que se
possa obter uma identificação mais confiável.
O método dos mínimos quadrados, o qual visa estimar os
parâmetros da função de tal forma a diminuir o erro médio quadrático de estimação,
obteve um bom funcionamento para os casos lineares, ARMA e ARX. O mesmo não
aconteceu para o caso não-linear. Isto demonstra que é essencial uma modelagem
matemática não-linear. O mesmo resultado aplica-se ao gradiente descendente, o
qual converge a solução para o mínimo local da função custo, ou seja o erro.
Portanto fica evidente a necessidade de uma modelagem não-linear para se fazer a
identificação de terceira ordem do movimento do paciente paraplégico.
Pelo fato de não ter sido possível fazer a identificação do sistema de
terceira ordem não linear utilizando os modelos ARMA e ARX, foi optado a utilização
do modelo Fuzzy para se identificar o sistema não-linear. O Fuzzy faz a linearização
da função não linear, através das regras e das funções de pertinência. O modelo
Fuzzy padrão obteve uma boa identificação para o método MQ batelada, entretanto
não foi tão precisa. Já utilizando o método RLS a identificação Fuzzy padrão obteve
uma resposta muito próxima ao real.
100
Por fim o modelo Fuzzy Takagi-Sugeno, obteve uma resposta ainda
melhor do que o Fuzzy padrão, tendo uma resposta ao sinal PRBS idêntica a
original, fato este que não tinha acontecido nos modelos anteriores. Isto indica que o
modelo Fuzzy T-S tem uma maior eficiência do que os demais modelos.
101
REFERÊNCIAS
AGUIRRE, Luis Antônio. Introdução à identificação de Sistemas. 3ª ed. Belo Horizonte. Editora UFMG, 2000.
BOSCO, João R. do Val. Fundamentos da teoria de estimação. Disponível em: <http:/ www.dt.fee.unicamp.br>. Acesso em: 10 out. 2011.
FERRARIN, M.; PEDOTTI, A. The relationship between electrical stimulus and joint torque: a dynamic model. IEEE Transactions on Rehabilitation Engineering, San Diego, v. 8, n. 3, p. 342–352, 2000.
GAINO, Ruberlei. Controle de Movimentos de Pacientes paraplégicos utilizando modelos Fuzzy Takagi-Sugeno. Tese de doutorado. UNESP, 2009.
HAYKIN, S. Neural Network. A comprehensive foundation. Macmillan. New York, NY, p. 124, 1994.
LEMOS, J. Miranda; BERNADINHO, A. Modelação, identificação e controle Digital. Disponível em: < http://users.isr.ist.utl.pt/~alex/micd0405/micd3c_0405.pdf>. Acesso em: 10 out. 2011.
MAGALY, Anne de P. C. Sistemas Fuzzy. Disponível em: <http://www.dimap.ufrn.br. Acesso em 10 nov. 2011.
PASSINO, Kevin M; YURKOVICH, Stephen. FUZZY CONTROL. 1ª ed. Menlo Park, CA. Editora Prentice-Hall, 1998.
PASSINO, Kevin M. Biomimicry for optimization, control and automation. 1ª ed. Berlim. Editora Springer, 2005.
SANTOS, Josemar dos. Sistemas de controle. Disponível em: <http:/www.fsa.br>. Acesso em: 10 out. 2011.
TAKAGI, T.; SUGENO, M. Fuzzy identification of systems and applications to modeling and control. IEEE Transaction Systems, Man and Cybernetics, New York, v. 15, p. 116–132, 1985.
TEIXEIRA, M. C. M.; ASSUNÇÃO, E.; CARDIM, R.; COVACIC, M. R. Realimentaçãoda derivada de estados a partir do projeto com realimentação de estados. In: CONGRESSO BRASILEIRO DE AUTOMÁTICA, CBA, 16, 2006, Salvador. Anais... Salvador: [s.n.], 2006. p. 726–731.
TEIXEIRA, M. C. M.; DEAECTO, G. S.; GAINO, R.; ASSUNÇÃO, E.; CARVALHO, A. A.; MACHADO, E. R. M. D.; SILVA, T. I. Projeto de um controlador linear para variar o ângulo de articulação do joelho de um paciente paraplégico. In: BRAZILIAN CONFERENCE ON DYNAMICS, CONTROL AND THEIR APPLICATIONS, DINCON, 6, 2007, São José do Rio Preto. Anais... São Paulo: [s.n.], 2007. P. 950-956.