Identificação de sistemas, modelos de função de transferência
Ficheiros
Data
2016-05-05
Autores
Título da revista
ISSN da revista
Título do Volume
Editora
Resumo
Os modelos matemáticos que representem a dinâmica de sistemas
são de grande utilidade e objecto de muitos estudos, tanto nas universidades como
na indústria. Porém, na prática, não é simples obter modelos para sistemas dinâmicos,
pois a modelação destes sistemas envolve princípios físicos que podem
dificultar a obtenção de uma solução analítica. Para solucionar tal problema, os
métodos de identificação de sistemas, ou experimentais, apresentam-se como uma
alternativa para a obtenção de modelos matemáticos simplificados de sistemas
dinâmicos.
No presente trabalho abordamos conteúdos que dizem respeito à identificação e
modelação de sistemas, a partir de dados de entrada/saída de sistemas de controlo
discretos no tempo e sujeitos a perturbações aleatórias. As técnicas usadas
são baseadas na aproximação dos mínimos quadrados, que consiste na escolha do
modelo que minimiza o erro médio de previsão. Sendo o seu objectivo principal
conhecer alguns dos aspectos teórico-práticos da estimação de modelos contínuos
a partir de dados discretos.
Na identificação de sistemas contínuos a partir de dados discretos são usadas duas
abordagens distintas. Na primeira, designada por método indirecto, começa por
discretizar-se o modelo contínuo e faz-se a estimação dos parâmetros do modelo
discreto associado, que são depois convertidos nos do modelo contínuo. Na segunda,
designada por método directo, faz-se a estimação directa dos parâmetros
do modelo contínuo.
Neste trabalho, estudam-se como métodos de estimação de parâmetros de modelos
discretos os mínimos quadrados simples, o das variáveis instrumentais e os
mínimos quadrados totais. Na estimação de parâmetros de modelos contínuos, os
dados são filtrados antes de se proceder à estimação dos parâmetros, utilizando a
versão contínua dos mínimos quadrados simples e/ou o das variáveis instrumentais.
A saída do sistema simulada pela versão contínua dos métodos implementados
é comparada com a obtida pelos métodos equivalentes do Contsid, apresentando
resultados muito semelhantes.
Mathematical models, that represent the system dynamics, are of great use and also the object of many studies at both the university and industry. However, in practice, it is not simple to obtain a model for a dynamic system whose analytical solution is possible to calculate, since this requires the modelling of physical principles from which a very complex model may result. To solve this problem, system identification methods are used instead to obtain mathematical models whose solution may be calculated. In this work we discuss issues related to system identification and modelling using discrete input/output data from control systems and subject to noise. The approximation techniques used are based on the least squares, whose aim is to choose the model that best fits the collected data, based on the prediction mean error minimisation. The main objective of the work is to become familiar with some of the aspects of continuous system identification. To estimate the parameters of a continuous system from discrete data, two different approaches are used. An indirect approach where the system is first discretised and then the parameters of the discrete-time system are estimated and converted into their continuous counterpart. A direct approach where the parameters of the continuous-time system are directly estimated. In this work, simple least squares methods as well as the instrumental variables and total least squares are used to estimate the parameters of discrete systems. In the direct approach, the data is filtered and then the parameters are estimated using a continuous version of either simple least squares or instrumental variables. The simulated output obtained with our implementations is compared with the one obtained when using the equivalent methods of Contsid and showed similar performance.
Mathematical models, that represent the system dynamics, are of great use and also the object of many studies at both the university and industry. However, in practice, it is not simple to obtain a model for a dynamic system whose analytical solution is possible to calculate, since this requires the modelling of physical principles from which a very complex model may result. To solve this problem, system identification methods are used instead to obtain mathematical models whose solution may be calculated. In this work we discuss issues related to system identification and modelling using discrete input/output data from control systems and subject to noise. The approximation techniques used are based on the least squares, whose aim is to choose the model that best fits the collected data, based on the prediction mean error minimisation. The main objective of the work is to become familiar with some of the aspects of continuous system identification. To estimate the parameters of a continuous system from discrete data, two different approaches are used. An indirect approach where the system is first discretised and then the parameters of the discrete-time system are estimated and converted into their continuous counterpart. A direct approach where the parameters of the continuous-time system are directly estimated. In this work, simple least squares methods as well as the instrumental variables and total least squares are used to estimate the parameters of discrete systems. In the direct approach, the data is filtered and then the parameters are estimated using a continuous version of either simple least squares or instrumental variables. The simulated output obtained with our implementations is compared with the one obtained when using the equivalent methods of Contsid and showed similar performance.
Descrição
Dissertação de Mestrado em Engenharia Electrotécnica e de Computadores
Palavras-chave
Modelos matemáticos , Erro médio de previsão , Mínimos quadrados totais , Variáveis instrumentais