Metodologia splid : identificação de modelos lineares utilizando splines - caso monovariável

Abstract

A identificação de sistemas é uma etapa de fundamental importância para o entendimento de dinâmicas e o projeto de controladores. Diversas técnicas de identificação de sistemas LTI são consolidadas para uso, mas ainda apresentam lacunas para identificar modelos a partir de dados corrompidos com distúrbios não medidos. Outro aspecto é que características previamente conhecidos do sistema (p.ex., resposta inversa, sobre-elevação, etc.), nem sempre podem ser incorporadas ao modelo para auxiliar na obtenção de um modelo com essas metodologias. Como proposta para suprir essas limitações, é apresentada nesse trabalho, a metodologia Splid, que considera informações previamente conhecidas sobre o sistema e promove a utilização de curvas splines de interpolação para prever o comportamento da resposta de saída de diferentes sistemas LTI a uma perturbação tipo degrau, variando a altura dos nós da spline, variável a ser encontrada pela formação de um problema de otimização. Primeiramente foram realizados testes com sistemas de dinâmica conhecida, explorando graficamente as curvas de saída frente à perturbação tipo degrau unitário, obtidas aplicando-se diferentes tipos de splines, número de nós e dos parâmetros específicos de splines, com o intuito de balizar os parâmetros do algoritmo. Em seguida, a metodologia ajustada foi aplicada para identificar plantas com dinâmica conhecida, para fins de verificação da eficácia do método. Diferentes formulações de função objetivo foram testadas na etapa de identificação e validação dos dados, verificando o efeito da minimização do quadrado da derivada do erro e comparando com a abordagem tradicional, que contempla apenas o erro quadrático. Para consolidar os estudos desenvolvidos nestas etapas, a metodologia Splid foi aplicada na identificação do modelo de uma planta real de 2 tanques com aquecimento, cujos dados apresentavam distúrbios não compensados.

System identification is one of the most important issues for understanding system dynamics and control system design. Several methods for identification of linear systems have been broadly used until now. Nevertheless, these algorithms have difficulty to identify models from data containing non-measured disturbances, a very common situation in industry, and most methods do not consider the inclusion of known system characteristics into the identification algorithm, such as overshoot or inverse response. In order to overcome these situations, the Splid methodology is proposed, which employs splines to identify linear models. The idea is to obtain splines that well represent the step response of systems with different dynamic behaviors by varying the height of the spline knots, in an optimization problem. In the first part of this work, some tests were accomplished with known systems, in order to explore the splines that could represent the system step response, by selecting the number of knots, spline parameters and knots coordinates. The next step was to apply the Splid methodology to identify the model from a data set obtained with a perturbation design with these known systems, to check the validity of the method. It was tested different formulations of objective function: it was compared the results of minimizing the square of the derivative of the error with the conventional approach, of minimizing the square of error. In order to verify the methodology, it was applied to identify the model of a laboratorial plant of two heated tanks, which contained non-measured disturbs.