UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE 1

CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA ELTRICA
CONTROLE ADAPTATIVO

RELATRIO DO SEGUNDO TRABALHO

Estimao de Parmetros em Tempo Real

Guilherme Pereira Marchioro Bertelli, 2013079718

Natal, 28 de maio de 2014.

1
Guilherme Pereira Marchioro Bertelli

RELATRIO DO SEGUNDO TRABALHO

Relatrio referente ao desenvolvimento do segundo
trabalho da disciplina Controle Adaptativo,
correspondente avaliao da 2 unidade do
semestre 2014.1, dos cursos de Engenharia da
Computao, Engenharia Mecatrnica e Engenharia
Eltrica da Universidade Federal do Rio Grande do
Norte, sob orientao do Prof. Aldayr Dantas de
Arajo.

Natal, 28 de maio de 2014.

2
RESUMO
Neste relatrio ser explicado o desenvolvimento do segundo trabalho da
disciplina, que consiste no projeto de algoritmos de identificao para estimar os
parmetros da planta utilizada na disciplina, tendo conhecimento apenas da entrada e da
sada do sistema: gradiente baseado em uma funo de custo instantnea com e sem
projeo, gradiente baseado em uma funo de custo integral, mtodo dos mnimos
quadrados puro e com fator de esquecimento. Os algoritmos e todas as simulaes
foram feitos utilizando o MATLAB. A fundamentao terica necessria para o
desenvolvimento do trabalho foi ministrada na disciplina Controle Adaptativo, pelo
professor Aldayr Dantas de Arajo, do Departamento de Engenharia Eltrica, da
Universidade Federal do Rio Grande do Norte.

LISTA DE FIGURAS
Figura 1 - Estimao de Parmetros .............................................................................. 6
Figura 2 - Planta utilizada para estudo ........................................................................... 6
Figura 3 - Resposta filtrada e sua estimativa para entrada degrau (a) ............................. 9
Figura 4 - Erro de estimao normalizado para entrada degrau (a) ................................. 9
Figura 5 - Estimativa para a1 para uma entrada degrau (a) .......................................... 10
Figura 6 - Estimativa para a2 para uma entrada degrau (a) .......................................... 10
Figura 7 - Estimativa para a3 para uma entrada degrau (a) .......................................... 11
Figura 8 - Resposta filtrada e sua estimativa para uma entrada senoidal (a) ................. 11
Figura 9 - Erro de estimao normalizado para uma entrada senoidal (a) ..................... 12
Figura 10 - Estimativa para a1 para uma entrada senoidal (a) ...................................... 12
Figura 11 - Estimativa para a2 para uma entrada senoidal (a) ...................................... 13
Figura 12 - Estimativa para a3 para uma entrada senoidal (a) ...................................... 13
Figura 13 - Resposta filtrada e sua estimativa para uma entrada degrau (b) ................. 14
Figura 14 - Erro de estimao normalizado para uma entrada degrau (b) ..................... 15
Figura 15 - Estimativa de a1 para uma entrada degrau (b) ........................................... 15
Figura 16 - Estimativa de a2 para uma entrada degrau (b) ........................................... 16
Figura 17 - Estimativa de a3 para uma entrada degrau (b) ........................................... 16
Figura 18 - Resposta filtrada e sua estimada para uma entrada senoidal (b) ................. 17
Figura 19 - Erro de estimao normalizado para uma entrada senoidal (b) ................... 17
Figura 20 - Estimativa para a1 para uma entrada senoidal (b) ...................................... 18
Figura 21 - Estimativa para a2 para umam entrada senoidal (b) ................................... 18
Figura 22 - Estimativa para a3 para uma entrada senoidal (b) ...................................... 19
Figura 23 - Resposta filtrada e sua estimativa para uma entrada degrau (c) .................. 20
Figura 24 - Erro de estimao normalizado para uma entrada degrau (c) ..................... 21
Figura 25 - Estimativa para a1 para uma entrada degrau (c)......................................... 21
Figura 26 - Estimativa para a2 para uma entrada degrau (c)......................................... 22
Figura 27 - Estimativa para a3 para uma entrada degrau (c)......................................... 22
Figura 28 - Resposta filtrada e sua estimativa para uma entrada senoidal (c) ............... 23
Figura 29 - Erro de estimao normalizado para uma entrada senoidal (c) ................... 23
Figura 30 - Estimativa para a1 para uma entrada senoidal (c) ...................................... 24
Figura 31 - Estimativa para a2 para uma entrada senoidal (c) ...................................... 24
Figura 32 - Estimativa para a3 para uma entrada senoidal (c) ...................................... 25
Figura 33 - Resposta da planta e sua estimativa para uma entrada degrau (d)............... 27
Figura 34 - Erro de estimao normalizado para uma entrada degrau (d) ..................... 27
Figura 35 - Estimativa para a1 para uma entrada degrau (d) ........................................ 28
Figura 36 - Estimativa para a2 para uma entrada degrau (d) ........................................ 28
Figura 37 - Estimativa para a3 para uma entrada degrau (d) ........................................ 29
Figura 38 - Resposta filtrada e sua estimativa para uma entrada senoidal (d) ............... 29
Figura 39 - Erro de estimao normalizado para uma entrada senoidal (d) ................... 30
Figura 40 - Estimativa para a1 para uma entrada senoidal (d) ...................................... 30
Figura 41 - Estimativa para a2 para uma entrada senoidal (d) ...................................... 31
Figura 42 - Estimativa para a3 para uma entrada senoidal (d) ...................................... 31
Figura 43 - Resposta filtrada e sua estimativa para uma entrada degrau (e) .................. 32
Figura 44 - Erro de estimao normalizado para uma entrada degrau (e) ..................... 32
Figura 45 - Estimativa para a1 para uma entrada degrau (e)......................................... 33
Figura 46 - Estimativa para a2 para uma entrada degrau (e)......................................... 33

4
Figura 47 - Estimativa para a3 para uma entrada degrau (e)......................................... 34
Figura 48 - Resposta filtrada e sua estimativa para uma entrada senoidal (e) ............... 34
Figura 49 - Erro de estimao normalizado para uma entrada senoidal (e) ................... 35
Figura 50 - Estimativa para a1 para uma entrada senoidal (e) ...................................... 35
Figura 51 - Estimativa para a2 para uma entrada senoidal (e) ...................................... 36
Figura 52 - Estimativa para a3 para uma entrada senoidal (e) ...................................... 36

5
SUMRIO
1

INTRODUO

.............................................................................................

2 DESENVOLVIMENTO ....................................................................................

2.1 Gradiente baseado em uma funo de custo instantnea sem projeo .

2.1.1 Entrada Tipo degrau unitrio ....................................................... 9

2.1.2 Entrada Tipo Senide .................................................................. 11
2.2 Gradiente baseado em uma funo de custo instantnea com projeo .. 13
2.2.1 Entrada Tipo degrau unitrio ....................................................... 14
2.2.2 Entrada Tipo Senide .................................................................. 17
2.3 Gradiente baseado em uma funo de custo Integral .............................

19

2.3.1 Entrada Tipo degrau unitrio ......................................................

20

2.3.2 Entrada Tipo Senide .................................................................

23

2.4 Mnimos Quadrados Puro.........................................................................

25

2.4.1 Entrada Tipo degrau unitrio ....................................................

26

2.4.2 Entrada Tipo Senide................................................................

29

2.5 Mnimos Quadrados com Fator de Esquecimento.................................... 31

2.5.1 Entrada Tipo degrau unitrio ....................................................

32

2.5.2 Entrada Tipo Senide ................................................................

34

3 CONCLUSES .................................................................................................

37

4 REFERNCIAS BIBLIOGRFICAS ..........................................................

38

6
1 INTRODUO
A estimao de parmetros se mostra como uma ferramenta essencial na
identificao de sistemas e baseado em uma metodologia especfica, na qual os
parmetros da estrutura selecionada so manejados de modo que o modelo espelhe o
comportamento dinmico do sistema expresso pelos dados.
Para este trabalho, sero mostradas simulaes de alguns tipos de algoritmos
baseados no mtodo do gradiente e no mtodo dos mnimos quadrados. Uma breve
reviso dos mtodos ser demonstrada, direcionada as simulaes realizadas, e em
seguida os resultados sero comparados. Um controlador adaptativo s pode ser
projetado de forma eficaz havendo uma estimao de parmetros em tempo real.
A idia essencial por trs da estimao de parmetros em tempo real a
comparao da sada observada do sistema y(t) com a sada do modelo parametrizado
, cuja estrutura a mesma que o modelo da planta. O vetor de parmetros (t)
ajustado continuamente para que
se aproxime de y(t) com o passar do tempo.

Figura 1 - Estimao de Parmetros

Dadas as condies de entrada,
ser prximo de y(t) implica que (t) est
prximo do vetor de parmetros desconhecidos * do modelo da planta. O
procedimento de estimao em tempo real tem basicamente 3 passos:

Modelo parametrizado para a planta;

Lei adaptativa;
Entrada aplicada a planta.

A identificao dos parmetros ser realizada na planta vista na Figura 1, que foi
a planta selecionada para ser utilizada nos trabalhos da disciplina, cujos parmetros
constam na Tabela 01.

Figura 2 - Planta utilizada para estudo

Parmetro
L

Valor
0.006

Unidade
H

0.6

KB

0.02486

V//s

JM

0.00844

Lbf-in-s

cM

0.00013

Lbf-in//s

KT
n

8.375
200

Lbf-in/A
Sem unidade

JL

Lbf-in-s

cL

0.5

Lbf-in//s

Tabela 01 Parmetros da Planta

Como visto no trabalho passado, temos:

De onde podemos calcular:

Que nos do as seguintes informaes do desempenho do sistema:

tr = 0.061s (tempo de subida)

ts = 0.08s (tempo de acomodao)

Overshoot = 1,966%

Nome
Indutncia da
armadura
Resistncia da
armadura
Constante
eletromotriz do
motor
Inrcia polar do
eixo do motor
Constante de
amortecimento do
eixo do motor
Constante de torque
Relao de
engrenagens
Inrcia polar do
eixo da carga
Constante de
amortecimento do
eixo da carga

8
2 DESENVOLVIMENTO
A utilizao do mtodo do gradiente envolve o desenvolvimento de uma
equao algbrica para o erro de estimativa que conduz a seleo de uma funo de
custo adequada J() que convexa em relao a , sendo uma estimativa para * em
cada instante de tempo t. A funo J() ento minimizada em relao a para cada
tempo t, utilizando o mtodo do gradiente.
No mtodo dos mnimos quadrados a ideia bsica encontrar um modelo
matemtico para uma sequncia de dados experimentais atravs da minimizao da
soma dos quadrados das diferenas entre os dados experimentais e os dados calculados
pelo modelo.
seguir sero mostrados os resultados das simulaes dos algoritmos de
identificao dos parmetros, feitos no MATLAB, onde todas as EDOs foram
resolvidas utilizando o mtodo do Euler.
2.2 Gradiente baseado em uma funo de custo instantnea sem projeo
A equao abaixo refere-se equao da planta modificada.

Definindo

, pode-se reescrev-la como:

Ento, obtida a equao da estimativa de z ( ) :

Onde uma estimativa para *.

O erro de estimativa normalizado obtido da seguinte forma.

Onde
, sendo ns o sinal de normalizao definido por
Logo a funo de custo instantnea obtida:

No mtodo do gradiente a estimao dos parmetros realizada de acordo com a

equao seguir:

Em que
, e denominada matriz de ganhos adaptativos.
Realizando o clculo do gradiente da funo de custo, a partir de
, obtm-se:

9
Substituindo-se a equao acima na equao anterior, obtm-se, ento, a equao
principal do algoritmo do gradiente com funo de custo instantnea sem projeo:

2.1.1 Entrada Tipo degrau unitrio

Para a simulao, foi utilizado um tempo de simulao de 15 segundos, a um
passo h = 0.01. A matriz de ganhos adaptativo teve como diagonal principal os ganhos
10, 10 e 10, respectivamente. Os resultados esto seguir:

Figura 3 - Resposta filtrada e sua estimativa para entrada degrau (a)

Figura 4 - Erro de estimao normalizado para entrada degrau (a)

10

Figura 5 - Estimativa para a1 para uma entrada degrau (a)

Figura 6 - Estimativa para a2 para uma entrada degrau (a)

11

Figura 7 - Estimativa para a3 para uma entrada degrau (a)

2.1.2 Entrada Tipo Senide

Foi utilizado como entrada do sistema, a funo r(t) = 5sen(t). O tempo de
simulao foi de 15 segundos, a um passo de h = 0.01. A diagonal principal da matriz
de ganhos adaptativos, assim como para a entrada tipo degrau, foi 10, 10 e 10,
respectivamente.

Figura 8 - Resposta filtrada e sua estimativa para uma entrada senoidal (a)

12

Figura 9 - Erro de estimao normalizado para uma entrada senoidal (a)

Figura 10 - Estimativa para a1 para uma entrada senoidal (a)

13

Figura 11 - Estimativa para a2 para uma entrada senoidal (a)

Figura 12 - Estimativa para a3 para uma entrada senoidal (a)

2.2 Gradiente baseado em uma funo de custo instantnea com Projeo

A utilizao de projeo nos algoritmos de estimao de parmetros tem por
objetivo o aumento na velocidade de convergncia e a melhora no regime transiente.
Isso se justifica em funo de que em muitos problemas prticos tem-se algum
conhecimento priori sobre os parmetros da planta fsica (q*) e, em geral, dispe-se
dos limitantes superior e inferior para q*, ou da regio onde este parmetro se encontra
no
. Ento, pode-se restringir a pesquisa para estimativas de q* a uma regio do
,
aumentando assim a rapidez com que o algoritmo encontrar o valor correto de *.

14
A ideia deste mtodo minimizar a funo de custo J(q) sujeito a q S, sendo S
{
|
um conjunto convexo com fronteira suave definido por
,
onde g uma funo suave, ou seja, sem pontos de mudanas bruscas.
Assim, pode definir g(q) tal que
, onde r o raio de
uma circunferncia que engloba q*. Pode-se, ento, redefinir a Equao 1.6 para obter o
algoritmo do gradiente com projeo conforme a equao seguir:

{
Substituindo

, temos:

Em que S0 corresponde regio interna de S.

A projeo de um algoritmo retm todas as propriedades que so estabelecidas
na ausncia de projeo e, adicionalmente, garante que
desde que
e
.
2.2.1 Entrada Tipo degrau unitrio
Para este simulao, foi utilizado um tempo de simulao de 20 segundos, com
um passo h = 0.01. A diagonal principal da matriz de ganhos adaptativos teve os valores
1.5, 20 e 8.5, respectivamente. Os resultados da simulao constam abaixo.

Figura 13 - Resposta filtrada e sua estimativa para uma entrada degrau (b)

15

Figura 14 - Erro de estimao normalizado para uma entrada degrau (b)

Figura 15 - Estimativa de a1 para uma entrada degrau (b)

16

Figura 16 - Estimativa de a2 para uma entrada degrau (b)

Figura 17 - Estimativa de a3 para uma entrada degrau (b)

17
2.2.2 Entrada Tipo Senoide
Para a realizao das simulaes, foi utilizado como tempo de simulao 20
segundos, com um intervalo h = 0.01. A entrada do sistema foi r(t) = 5sen(5t), e a
matriz de ganhos adaptativos foi anloga a simulao com uma entrada degrau. Seguem
os resultados:

Figura 18 - Resposta filtrada e sua estimada para uma entrada senoidal (b)

Figura 19 - Erro de estimao normalizado para uma entrada senoidal (b)

18

Figura 20 - Estimativa para a1 para uma entrada senoidal (b)

Figura 21 - Estimativa para a2 para umam entrada senoidal (b)

19

Figura 22 - Estimativa para a3 para uma entrada senoidal (b)

2.3 Gradiente baseado em uma funo de custo Integral

A funo de custo integral definida por:

onde

> 0 o fator de esquecimento.

O erro de estimao normalizado no instante t baseado na estimativa q(t) de q*
no instante t t dado por:

Assim, o efeito das informaes quando t << t exponencialmente menor do

que o efeito das informaes quando t prximo de t (t < t), isto para cada instante t.
Substituindo a equao de
em
e calculando o gradiente, obtm-se:
(

Agora, lembrando que

, temos:
)

20
Pode-se, ento, definir q(t) e r(t) da seguinte forma:

Substituindo as equaes acima na equao de

parmetros toma a seguinte forma:

)
]

, a lei de adaptao dos

Derivando as equaes acima, supondo condies iniciais nulas, so obtidas,

respectivamente:

2.3.1 Entrada Tipo degrau unitrio

Seguem, seguir, os resultados das simulaes para um tempo de 20 segundos,
com h = 0.01 e a diagonal principal da matriz de ganhos adaptativos com ganhos iguais
a 2.5, 4 e 1.5, respectivamente. O fator de esquecimento foi fixado em 0.2.

Figura 23 - Resposta filtrada e sua estimativa para uma entrada degrau (c)

21

Figura 24 - Erro de estimao normalizado para uma entrada degrau (c)

Figura 25 - Estimativa para a1 para uma entrada degrau (c)

22

Figura 26 - Estimativa para a2 para uma entrada degrau (c)

Figura 27 - Estimativa para a3 para uma entrada degrau (c)

23
2.3.2 Entrada Tipo Senoide
As simulaes para uma entrada senoide para o gradiente com funo de custo
integral foi anloga a com entrada degrau, mas com uma entrada r(t) = sen(5t).

Figura 28 - Resposta filtrada e sua estimativa para uma entrada senoidal (c)

Figura 29 - Erro de estimao normalizado para uma entrada senoidal (c)

24

Figura 30 - Estimativa para a1 para uma entrada senoidal (c)

Figura 31 - Estimativa para a2 para uma entrada senoidal (c)

25

Figura 32 - Estimativa para a3 para uma entrada senoidal (c)

2.4 Mnimos Quadrados Puro

Entende-se por mtodo dos mnimos quadrados a determinao dos parmetros
desconhecidos de um modelo matemtico tais que a soma quadrtica das diferenas
entre os dados observados e calculados, multiplicada por fatores que meam o grau de
preciso, mnima.
Este mtodo utiliza na estimao os vetores de parmetros e medidas, _ e f,
respectivamente, onde Para simplificar a apresentao do mtodo dos mnimos
quadrados com reinicializao da matriz de covarincia, introduzida a seguinte
notao vetorial:

Onde,

]
[

Os mtodos de estimao no recursivos solicitam a existncia prvia da matriz

de dados. Como nos sistemas de controle adaptativo os dados tornam-se disponveis de
modo sequencial desejvel implementar um algoritmo de estimao recursivo de
forma a reduzir o tempo computacional. Assim, a estimao dos parmetros pode, em

26
termos prticos, ser executada em tempo real sendo os valores estimados na amostra (k 1) usados para obter os parmetros no instante de tempo atual (amostra k).
A estimao recursiva com reinicializao da matriz de covarincia rege-se pelas
seguintes equaes:
[
]

Onde,

o vetor de observao;
a sada real;
K o ganho do estimador;
o vetor de parmetro que se deseja estimar;

uma estimativa para ;

P a matriz de covarincia dos parmetros estimados;
uma estimativa para

uma estimativa para y ;

o erro de estimao.

2.4.1 Entrada Tipo degrau unitrio

Para a implementao do mtodo dos mnimos quadrados com reinicializao da
matriz de covarincia no sistema escolhido, foi utilizado o mtodo armazenador de
ordem zero, com perodo de amostragem igual a 0,01 segundos e tempo de simulao
de 20 segundos. Os resultados obtidos a partir dessa simulao podem ser vistos abaixo:

27

Figura 33 - Resposta da planta e sua estimativa para uma entrada degrau (d)

Figura 34 - Erro de estimao normalizado para uma entrada degrau (d)

28

Figura 35 - Estimativa para a1 para uma entrada degrau (d)

Figura 36 - Estimativa para a2 para uma entrada degrau (d)

29

Figura 37 - Estimativa para a3 para uma entrada degrau (d)

2.4.2 Entrada Tipo Senoide

Esta simulao foi anloga a simulao anterior para uma entrada degrau, mas
com uma entrada r(t) = sen(5t).

Figura 38 - Resposta filtrada e sua estimativa para uma entrada senoidal (d)

30

Figura 39 - Erro de estimao normalizado para uma entrada senoidal (d)

Figura 40 - Estimativa para a1 para uma entrada senoidal (d)

31

Figura 41 - Estimativa para a2 para uma entrada senoidal (d)

Figura 42 - Estimativa para a3 para uma entrada senoidal (d)

2.5 Mnimos Quadrados com Fator de Esquecimento

O algoritmo de mnimos quadrados utilizado quando o sistema a ser
identificado varia no tempo. Sendo necessrio fazer uma capacidade de ponderao
diferenciada para as observaes, dando-se uma maior importncia s ltimas medidas,
pois elas contm informaes mais atualizadas e precisam ter maior influncia na
estimao dos parmetros.
O algoritmo dos mnimos quadrados puro minimiza o funcional J(q) ponderando
cada erro de estimao igualmente. Assim, para ponderar mais as informaes mais
recentes o critrio dos mnimos quadrados pode ser modificado para minimizar o

32
funcional modificado, de modo que o algoritmo atribua um peso maior a essas
informaes.
A alterao no funcional implica que a matriz de covarincia P pode ser
calculado empiricamente pela equao apresentada abaixo:
(

2.5.1 Entrada Tipo degrau unitrio

Para esta simulao, utilizou-se um tempo de simulao de 20 segundos com um
passo h = 0.01. O fator de esquecimento utilizado foi de = 0.1.

Figura 43 - Resposta filtrada e sua estimativa para uma entrada degrau (e)

Figura 44 - Erro de estimao normalizado para uma entrada degrau (e)

33

Figura 45 - Estimativa para a1 para uma entrada degrau (e)

Figura 46 - Estimativa para a2 para uma entrada degrau (e)

34

Figura 47 - Estimativa para a3 para uma entrada degrau (e)

2.5.2 Entrada Tipo Senoide

Por fim, utilizou-se como referncia r(t) = 5sen(5t), para um tempo de
simulao, passo e fator de esquecimento anlogos a entrada degrau, para o mtodo dos
mnimos quadrados com fator de esquecimento. Seguem os resultados:

Figura 48 - Resposta filtrada e sua estimativa para uma entrada senoidal (e)

35

Figura 49 - Erro de estimao normalizado para uma entrada senoidal (e)

Figura 50 - Estimativa para a1 para uma entrada senoidal (e)

36

Figura 51 - Estimativa para a2 para uma entrada senoidal (e)

Figura 52 - Estimativa para a3 para uma entrada senoidal (e)

37
3 CONCLUSES
Atravs da aplicao dos conhecimentos adquiridos em sala, foi possvel com
sucesso, realizar as estimao de parmetros em tempo real da planta escolhida para
desenvolvimento dos trabalhos da disciplina.
Os melhores resultados foram obtidos pelos mtodos com fator de esquecimento,
que conseguiram estimaes bastante satisfatrias para a sada da planta. Para uma
entrada degrau, o mtodo dos mnimos quadrados com fator de esquecimento se
mostrou mais eficiente, enquanto para uma entrada senoidal, esse mesmo mtodo, junto
com o mtodo do gradiente com uma funo de custo integral, mostraram resultados
mais satisfatrios.
A anlise dos resultados nos permite concluir que os mtodos que no envolvem
fator de esquecimento, apesar de serem mais fceis de implementar, so geram
resultados to satisfatrios para uma planta de segunda ordem.
Por fim, vale salientar a importncia do estudo realizado para o desenvolvimento
deste trabalho, sendo possvel ter compreendido, na prtica (por simulaes), como
funciona a estimao de parmetros em tempo real, que essencial para o projeto de
controladores adaptativos. Foi possvel adquirir certa sensibilidade quanto aos valores
dos ganhos adaptativos, bem como ter um contato mais aprofundado com a matemtica
por trs das leis adaptativas e estimao de parmetros.

38
4 REFERNCIAS BIBLIOGRFICAS
[1] P. A. Ioannou and J. Sun. Robust Adaptive Control, Prentice Hall, 1996.
[2] Notas de aula do professor Aldayr Dantas de Arajo, da disciplina Controle
Adaptativo, DEE, UFRN.
[3] K. Ogata. Engenharia de Controle Moderno. Prentice Hall do Brasil, 1993.
[4] Notas de aula do professor Antnio Augusto Rodrigues, da disciplina Identificao
e Controle Adaptativo, DAS, UFSC.