|
|
- Laura Ferretti Medina
- 5 Há anos
- Visualizações:
Transcrição
1 DETECÇÃO DE ESTRUTURAS DE MODELOS ARMAX POLIOMIAIS: A TAXA DE REDUÇÃO DE ERRO MULTI-OBJETIVO (MERR) Samir Angelo Milani Martins, Erivelton Geraldo epomuceno, Márcio Falcão Santos Barroso Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal de Minas Gerais - Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil GCoM Grupo de Controle e Modelagem, Departamento de Engenharia Elétrica Universidade Federal de São João del-rei, Praça Frei Orlando 70 - Centro, São João del-rei, Minas Gerais, Brasil s: sammartins@ufmg.br, nepomuceno@ufsj.edu.br, barroso@ufsj.edu.br Abstract This work presents a new approach to structure detection in ARMAX polynomial models - The Multi-objective Error Reduction Ratio (MERR). It is shown how to obtain a Pareto curve, composed by models with different structures considering several informations of the system. As a case-study, a DC-DC buck converter was identified, and the models were validated using dynamic and static indexes, overcoming the ERR approach (Error Reduction Ratio). It is noteworthy the innovative purpose of the presented technique, once it quantifies the contribution of each regressor aiming each information of the system. Keywords ARMAX models, multi-objective system identification, structure detection, MERR. Resumo O presente trabalho apresenta uma nova abordagem para detecção de estruturas de modelos AR- MAX polinomiais - a taxa de redução de erro multi-objetivo (MERR). É mostrado como obter uma fronteira de soluções eficientes, formada por modelos com estruturas distintas(pareto de estruturas) considerando diferentes informações A técnica apresentada foi aplicada na identificação de um conversor CC-CC buck e mostrou-se satisfatória à luz índices estáticos e dinâmicos, suplantando a ERR (taxa de redução de erro). Por fim, ressalta-se o caráter inovador da técnica, que quantifica a contribuição de cada regressor, mediante representação de diversas características do sistema modelado. Palavras-chave MERR. Modelos ARMAX, identificação multi-objetivo de sistemas, detecção de estruturas, Introdução A Identificação de Sistemas é um ramo consideravelmente antigo e relevante da ciência. É a área do conhecimento que estuda maneiras de modelar e analisar sistemas na tentativa de encontrar algum padrão em observações (Billings, 980; Aguirre, 2007). Para se identificar um sistema, é necessário propor um modelo que consiga descrever as mais diversas características do mesmo. Define-se modelo como o conjunto de hipóteses sobre a estrutura ou comportamento de um sistema físico. Do lado matemático, um modelo nada mais é do que uma abstração de um sistema real expresso por meio de equações. a Engenharia, essas técnicas podem ser empregadas na identificação de vários sistemas, como na identificação de aquecedores elétricos, conversores CC-CC, sistemas químicos, e em outras áreas, como sistemas biológicos, econômicos e outros ramos da ciência. A literatura está repleta de técnicas de Identificação de Sistemas (Martins et al., 20; epomuceno et al., 2007; Johansen, 996). São utilizadas várias representações matemáticas e computacionais, entre elas, pode-se citar as Redes eurais, Lógica Fuzzy, Modelos ARMAX (onlinear AutoRegressive Moving Average model with exogenous input), Modelo Baseado em Indivíduos. A representação ARMAX polinomial possui como pontos positivos o fato de permitir, com relativa facilidade, a incorporação de informações que se tem a priori do sistema no modelo. Tais informações (curva estática, estabilidade de pontos fixos e ganho estático, por exemplo) podem não estar contidas nos dados dinâmicos. Sendo assim, o acréscimo dessas informações pode aumentar significativamente a qualidade do modelo, no que se refere à robustez e representatividade A partir de trabalhos de Johansen (996) e colaboradores, a área de identificação de sistemas começou a se preocupar com a possibilidade de utilizar informações auxiliares sobre o sistema e não apenas dados na identificação de sistemas. Dessa preocupação, surge uma nova técnica, chamada de Identificação Multi-objetivo de Sistemas (IMS) (Martins et al., 20; epomuceno et al., 2007; Barroso et al., 2007). Contudo, tradicionalmente, o uso de informações auxiliares se dá exclusivamente na consolidada etapa de estimação dos parâmetros do modelo, sendo que as principais técnicas de detecção de estruturas, etapa ainda em aberto, são mono-objetivo. O propósito deste trabalho é apresentar o desenvolvimento da taxa de redução de erro multiobjetivo (MERR, do inglês Multi-objective Error
2 Reduction Ratio), técnica multi-objetivo de determinação de estruturas de modelos ARMAX polinomiais. Tal técnica é vista como uma expansão da consagrada técnica mono-objetivo taxa de redução de erro(err - Error Reduction Ratio). Dessa forma, é apresentada uma metodologia para obtenção de estruturas que possuem compromisso com outras informações acerca do sistema, que não somente dinâmica. O restante do artigo está organizado da seguinte forma. a seção 2 são abordados os conceitos preliminares. A seção 3 apresenta a metodologia para o desenvolvimento da MERR e consequente obtenção dos resultados. A análise e discussão dos resultados são tratados pela seção 4. a seção 5 é apresentada a conclusão, além de propostas para futuras pesquisas. 2 Conceitos Preliminares 2. Identificação de Sistemas Para se identificar um sistema, é necessário a realização de 5 principais etapas, a seguir apresentadas (Ljung, 987). Teste Dinâmico e Coleta de Dados. Escolha da Representação Matemática a ser Utilizada. Determinação da Estrutura do Modelo. Estimação dos Parâmetros. Validação dos Modelos. Uma vez obtido um modelo, é necessário verificar se o mesmo apresenta as principais características Sendo assim, diferentes técnicas de validação de modelos serão utilizadas no contexto desse trabalho. As técnicas de validação podem depender da aplicação do modelo e da quantidade de informações disponíveis sobre o sistema real. o escopo deste trabalho, utilizou-se as seguintes abordagens para validação:. Predição livre do modelo. 2. Representatividade da característica estática 3. Erro quadrático médio estático e dinâmico (RMSE - Root Mean Squared Error). O índice RMSE, quando normalizado, pode ser expresso por: RMSE = k= [y(k) ŷ(k)]2, () k= [y(k) ȳ]2 sendo ŷ(k) a simulação livre do sinal para o caso dinâmico e o valor estático de saída para o caso estático e ȳ é o valor médio do sinal medido y(k). Este índice mede o erro em uma unidade de medida coerente com os dados reais (epomuceno et al., 2007). Geralmente, consideram-se bons modelos aqueles que apresentam índice RMSE normalizado menor que a unidade. Isto significa que, em média, o erro quadrático apresentado pelo modelo é menor que o erro quadrático dado pela média da série temporal. 2.2 Modelos ARMAX Polinomiais Modelos ARMAX (Billings, 980) descrevem sistemas não-linares por meio de equações de diferença, relacionando a saída atual em combinação das saídas e entradas passadas. Pode ser utilizada para problemas de controle onde o pricipal objetivo é encontrar uma descrição simples para o sistema. Em particular, o modelo AR- MAX polinomial pode ser representado como: y(k) = F l [y(k ),, y(k n y ), (2) u(k ), u(k n u ), e(k ),, e(k n e )] + Ξ(k), em que y(k) é a saída, u(k) é a entrada exógena, e e(k) é o sinal de ruído. Ξ(k) representa o erro de predição. n y, n u, e n e são as ordens da saída, da entrada exôgena e do ruído, geralmente modelado por um processo de média móvel. este trabalho, os parâmetros do modelo foram estimados via mínimos quadrados estendidos em que o ruído é modelado por um processo média móvel (MA), estimado pelo resíduo. Tal estimador foi utilizado visando evitar a polarização na estimação dos parâmetros. A função F l pode representar uma grande variedade de funções, incluindo funções lineares. este artigo, F l é restrita a funções polinomiais não-lineares. 2.3 Conversor CC-CC Buck Um sistema eletrônico de potência conhecido como conversor CC-CC buck foi utilizado como sistema-teste da técnica aqui desenvolvida. O conversor CC-CC buck (Figura ), como o próprio nome sugere, é um conversor CC-CC abaixador de tensão, que produz um valor médio de tensão na saída inferior ao valor médio de tensão de entrada. Pode ser controlado por dispositivo de comutação do tipo MOSFET ou IGBT através do controle da razão cíclica. Para o sistema estudado foi utilizando um MOSFET IRF840. A razão cíclica e definida como a razão entre o tempo que o interruptor se encontra em condução e o período de comutação. Como sinal de chaveamento, utilizouse um sinal persistentemente excitante PRBS (do inglês Pseudo Random Binary Signal ou Sinal Binário Pseudo Aleatório), com o qual se espera que
3 o sistema apresente na saída sua dinâmica nãolinear. + Vd - 24V S G D IRF840 D L 2mH C 22uF Figura : Conversor CC-CC buck. 3 Metodologia 3. Definição do Problema O problema pode ser exemplificado como a representatividade estática e dinâmica de um modelo junto a um sistema. Suponha um sistema que apresente comportamento estático afim e dinâmico não-linear. Um modelo com estrutura não-linear seria sobre-parametrizado do ponto de vista estático, ao passo que um modelo com estrutura afim seria sub-parametrizado à luz de seu comportamento dinâmico. Claramente observa-se um comportamento conflitante entre os objetivos em questão (erros estático e dinâmico), sendo este o caso do sistema aqui estudado e apresentado. A partir daí surge a definição de um problema de otimização multi-objetivo. As soluções eficientes do problema são conhecidas como o conjunto Pareto-ótimo e consistem de cada ponto da curva apresentada na Figura 2. São as melhores soluções possíveis de serem obtidas. ão há como definir a priori, a partir das avaliações dos funcionais, se existe uma solução melhor que outra. M R 20R mento perante as diversas características Em geral, deseja-se minimizar simultaneamente erros estático e dinâmico. É difícil obter um modelo capaz de minimizar simultaneamente tais erros pois os mesmo são, em geral, conflitantes. O que se têm é um problema de otimização multi-objetivo e consequentemente um conjunto de soluções eficientes, que compõem o Pareto-ótimo. A abordagem multi-objetivo é feita em geral durante a etapa de determinação dos parâmetros do modelo (Martins et al., 20; epomuceno et al., 2007; Barroso et al., 2007). Recentemente, trabalhos como (Martins et al., 20; Barbosa, 200) utilizaram de abordagens multiobjetivo para determinação de estruturas de modelos ARX polinomiais. Contudo, tais trabalhos não permitem a quantificação da contribuição individual de cada regressor quanto da representatividade de uma determinada característica do sistema. Além disso, é importante deixar claro que técnicas baseados em erros dinâmicos um passo à frente apresentam fragilidade, uma vez que tendem a apresentar os termos de y(k n) para pequenos valores de n com maiores índices (como o índice ERR), uma vez que é o mais apto a explicar o valor de y(k) (Bonin et al., 200). Outrossim, tais técnicas se preocupam somente na fidelidade do modelo à característica dinâmica do sistema, fazendo com que o modelo seja de caráter local e de limitada aplicabilidade. 3.2 A Taxa de Redução de Erro Multi-objetivo (MERR) Modelos ARMAX polinomiais possuem como característica a se destacar a fácil extração de informações acerca do sistema, estimadas pelo modelo. Informações como curva estática, pontos fixos, ganhos estáticos e estabilidade podem ser extraídas do modelo, de forma estimada em função dos parâmetros do modelo: Objetivo 2 M 2 M 3 M 4 y q = ŷ q + ξ q, (3) y q = ψ q ˆθ + ξq, Objetivo Figura 2: Problema de otimização bi-objetivo com objetivos conflitantes. Os modelos M e M 4 apresentação as soluções individuais dos objetivos e 2, ao passo que os modelos M 2 e M 3 são modelos intermediários pertinentes à curva. o âmbito da Engenharia Elétrica, mais especificamente em Identificação de Sistemas, desejase obter um modelo que tenha bom comporta- sendo y q a informação do sistema (dados dinâmicos de saída, ponto fixo, curva estática, ganho estático), ŷ q o valor da informação estimada pelo modelo, ˆθ o vetor de parâmetros estimados, ψ q a matriz de informações e ξ q o erro de estimação da informação. Utilizando algoritmos de ortogonalização (neste trabalho foram utilizadas transformações de HouseHolder), pode-se obter um modelo estimador auxiliar em que os regressores pertinentes Veja em (epomuceno et al., 2007) exemplos de como estimar algumas informações em função dos parâmetros
4 a cada informação ψ q são ortogonais sobre as informações y q, formando uma base ortogonal às informações y q = ĝ j Ω j q + ξ q, (4) j= em que Ω j q é o j-ésimo regressor ortogonal à informação y q, ĝ j o parâmetro ortogonal a ele associado e n θ o número de regressores candidatos. A partir daí, pode-se definir a variância afim (ou variância auxiliar) composta pelo erro de estimação, como sendo: var[ξ q ] = lim yq T y q j= ĝ j 2 Ω jt q Ω j q, (5) Uma vez que pode-se distribuir a variável ω e que o limite da soma é igual à soma dos limites, a parcela: lim + + lim ω ω z pode ser reescrita como: lim ω q yq T y q q= y T y ĝ 2 j Ω jt j= yz T y z j= ĝ j 2 Ω jt z ω q ĝ 2 j Ω jt q q= j= Ωj Ω j z Ω j q (8),. (9) sendo var[ξ q ] a variância correspondente à q-ésima informação afim do sistema e o operador T correspondente à transposição do vetor. Considerando que nenhum termo fosse acrescentado ao modelo, a variância afim da i-ésima informação auxiliar seria exatamente igual ao quadrado da informação A cada termo acrescido ao modelo, a variância afim decresce um valor de ĝj 2 Ω jt q Ω j q, sendo Ω j q o regressor ortogonal inserido e ĝ j seu respectivo parâmetro. Ressalta-se que pode-se tomar a equação (5) como um problema de otimização mono-objetivo em que o objetivo (função custo a ser otimizada) a ser minimizado é a variância afim. Objetivando o desenvolvimento de uma técnica multi-objetivo, pode-se trabalhar com a combinação ponderada convexa de diferentes informações auxiliares do sistema utilizando pesos diferentes (ω,,ω z ), tal que z q= ω z =, sendo z o número de informações a serem incorporadas). esse sentido, tem-se: ω var[ξ ] + + ω z var[ξ z ] = (6) ω lim y T y ĝ 2 j Ω jt Ωj j= + + ω z lim yz T y z ĝ 2 j Ω jt z j= Rearranjando a equação (6), tem-se; ω var[ξ ] + + ω z var[ξ z ] = (7) lim ω y T y ĝ 2 j Ω jt Ωj + + lim ω z j= yz T y z j= ĝ j 2 Ω jt z Ω j z Ω j z.. A variância multi-objetivo composta pelas variâncias das informações do modelo, apresentada na equação (6), pode ser reescrita como: ω q var[ξ q ] = (0) q= lim ou ainda: ω q yq T y q q= ω q ĝ 2 j Ω jt q q= j= ω q var[ξ q ] = () q= lim q= ω q yq T y q ĝ 2 j Ω jt q j= Ω j q Ω j q,, em que z é o número de informações auxiliares A redução no valor da variância multiobjetivo pode ser normalizada com relação ao erro quadrático médio do sinal multi-objetivo composto pela combinação convexa das informações a serem incorporadas. Sendo assim, define-se a taxa de redução de erro multi-objetivo (MERR - Multiobjective Error Reduction Ratio), dada pela inclusão do j-ésimo regressor como sendo: MERR j = ĝj 2 z q= ω qω j q, z q= ω qω j q z q= ω qy q, z q= ω. (2) qy q O operador, é o operador produto interno. Pode-se quantificar em porcentagem a contribuição de cada regressor ao representar diferentes informações do sistema em questão. Para se fazer estimativas dos parâmetros representados em base ortogonal ĝ j, pode-se proceder da seguinte forma:
5 ĝ j = z q= ω qω j q, z q= ω qy q z q= ω qω j q, z q= ω qω j q, j =,,n θ, (3) que nada mais é que o método dos mínimos quadrados aplicado à combinação linear convexa dos regressores ortogonais às informações. Destaca-se que os modelos pertinentes à curva Pareto-ótima são obtidos por meio da variação de ω q, q =,, z. Um ponto importante a ser ressaltado é que considerando apenas uma informação a ser incorporada na equação (2) e se esta informação for a informação referente aos dados dinâmicos, a técnica retorna exatamente à ERR (taxa de redução de erro). este caso haveria apenas um peso (ω = ) e somente dados dinâmicos estariam envolvidos no processo. Por fim tem-se que a técnica apresentada pode ser utilizada quando da inclusão de informações acerca de pontos fixos, curva estática, ganho estático e demais informações que puderem ser escritas em forma de erro, em função dos parâmetros do modelo. Por questão de espaço, no presente trabalho somente será apresentado um exemplo de incorporação da curva estática em conjunto com dados dinâmicos, na identificação de um conversor CC-CC buck. 3.3 Análise da Técnica apresentada - MERR Após ser apresentada a técnica de taxa de redução de erro multi-objetivo, várias análises podem ser feitas. A começar, uma vez que se trata de um problema multi-objetivo onde os objetivos foram combinados de forma ponderada, pode-se retornar exatamente à taxa de redução de erro. Para tal, basta que o peso referente aos dados dinâmicos seja de valor unitário, e os demais pesos nulos. A ERR é amplamente conhecida, estudada e validada na área de Identificação de Sistemas. Por outro lado, variando os pesos associados às informações, podem ser obtidos modelos pertinentes ao conjunto de soluções eficientes, que incorporam diversas características Este conjunto de soluções eficientes também é conhecido de Pareto-ótimo, onde estão contidas todas as soluções não suplantadas por outras do problema de otimização multi-objetivo. Ressalta-se também que a diferente combinação dos pesos pode gerar soluções não eficientes, suplantadas por outras. Uma vez que estas não representam fielmente o sistema, devem ser descartadas e não fazem parte do conjunto Pareto-ótimo. A multi-objetividade da técnica apresentada é importante, pois em certos casos somente a utilização de dados dinâmicos não é suficiente para a obtenção da estrutura adequada de um modelo. Ademais, alguns sistemas apresentam limitações na coleta de dados dinâmicos ou ruído nos mesmos, problemas que podem ser minimizados com o desenvolvimento desta técnica que torna o modelo mais global. A partir daí surge um novo problema, conhecido como problema da decisão, que consiste em escolher um modelo, dentre os apresentados pela taxa de redução de erro multi-objetivo para representar o sistema em questão. a literatura existem diversas técnicas para o critério de decisão. (epomuceno et al., 2007) apresenta uma técnica de decisão baseada na mínima norma dos objetivos normalizados. Dessa forma, garante-se um compromisso mútuo entre os objetivos considerados no problema. Vale observar que apesar de várias técnicas, a escolha do modelo a ser utilizado pode ser objetivada pela aplicação em questão. Do ponto de vista computacional, a técnica apresenta um baixo custo. Poucos recursos computacionais são necessários para sua implementação. Ressalta-se o caráter multi-objetivo inovador da técnica apresentada, uma vez que as principais técnicas de detecção de estruturas de modelos ARMAX polinomiais presentes na literatura, são de caráter mono-objetivo. As poucas técnicas multi-objetivos não se mostram capazes de quantificar a contribuição de cada regressor ao explicar diferentes características Todos os processos foram simulados via software MATLAB R, utilizando um laptop da marca ASUS R com 4Gb de memória RAM, processador Intel core i3 à 2,27 GHz, executando sistema operacional Windows 7 Home Premium R. Utilizouse 2 como máximo atraso para regressores de entrada, saída e máximo grau de não-linearidade. 4 Resultados e Discussão o presente trabalho, além dos dados dinâmicos, foram incorporados dados estáticos teóricos do conversor CC-CC buck, que podem ser dado pela equação 4: ȳ = 4 3 v d v d 3 ū (4) em que v d = 24 Volts, ū e ȳ são a entrada e saída em regime permanente A entrada foi variada de 0 a 0 Volts, em um total de 84 pontos. Os testes dinâmicos podem ser vistos pelas Figuras 3 e (4), sendo os dados pontilhados utilizados para identificação e os dados em linha contínua utilizados para validação. Foram obtidos modelos considerando ω d = [0,; 0,3; 0,7; 0,9] e, consequentemente, ω s = [0,9; 0,7; 0,3; 0,], sendo que foram incorporadas informações estáticas e dinâmicas ponderadas por ω s e ω d, respectivamente. Os modelos serão denominados de MERR i, sendo i o número do modelo (posição dos vetores ponderações ω d e ω s ).
6 Figura 3: Testes dinâmicos: dados de saída. Tabela : Taxa de Redução de Erro Monoobjetivo - ERR. ERR Regressor ERR (%) y(k-) 99,9860 y(k-2) 0, y(k ) 2 0, u(k ) 2 0,040 y(k 2) 2 0, y(k-2)y(k-) 0,00073 C 0,00028 u(k-)y(k-) 0, u(k-) 0, Figura 4: Testes dinâmicos: dados de entrada. As estruturas obtidas para i =,2 foram as mesmas. Contudo, destaca-se que não necessariamente os regressores para estes modelos apresentaram a mesma taxa de redução de erro multiobjetivo, pois foram obtidos por meio de diferentes ponderações. Deste modo, obteve-se um conjunto de 3 modelos com estruturas diferentes, a seguir apresentados. Ressalta-se que o critério de informação de Akaike foi aplicado para determinar o número de regressores que devem ser inseridos no modelo resultando em 9 regressores, e que o modelo dado para ω d = e ω s = 0 (ERR) também foi obtido, para comparação. Tabela 2: Taxa de Redução de Erro Multi-objetivo - MERR. MERR Regressor MERR (%) y(k-) 99, y(k-2) 0,48949 u(k-) 0, C 0, u(k-2) 0,00000 y(k 2) 2 0,00000 y(k-2)y(k-) 0,00000 y(k ) 2 0, u(k-2)y(k-2) 0, y MERR 3(k) = 0,4849y(k ) (7) +0,546y(k 2) 3,0944u(k ) 2 +0,350u(k 2) 2 +,244u(k 2)u(k ) + 4,0006 0,7677u(k ) +0,7952u(k )y(k ) 0,3438u(k 2)y(k 2) y ERR (k) = 0,6867y(k ) (5) 0,3253y(k 2) 0,008y(k ) 2 2,8685u(k ) 2 0,0404y(k 2) 2 +0,0593y(k 2)y(k ) + 4, ,653u(k )y(k ) +3,2458u(k ) y MERR,2(k) =,668y(k ) (8),554y(k 2) 2,340u(k ) +3,9972 2,8396u(k 2) 0,0744y(k 2) 2 +0,59y(k 2)y(k ) 0,0863y(k ) 2 +0,2078u(k 2)y(k 2) y MERR 4(k) = 0,0396y(k ) (6),0472y(k 2) + 4,0005 5,6780u(k ) + 9,3834u(k 2) 2,033u(k 2) 2 +0,5945u(k )y(k ) +0,052y(k 2) 2 0,8788u(k ) 2 As Tabelas, 2, 3, 4 e 5 representam os regressores obtidos para os modelos e suas respectivas taxas de redução de erro multi-objetivo As Figuras 5 e 6 apresentam o comportamento estático e dinâmico dos modelos e Já a Figura 7 apresenta o plano composto pelos índices RMSE estático e dinâmico. Vale ressaltar os índices foram obtidos via dados de validação.
7 Tabela 3: Taxa de Redução de Erro Multi-objetivo - MERR 2. MERR 2 Regressor MERR (%) y(k-) 99, y(k-2) 0,7474 u(k-) 0, C 0,00604 u(k-2) 0,00000 y(k 2) 2 0, y(k-2)y(k-) 0, y(k ) 2 0, u(k-2)y(k-2) 0, Figura 5: Comportamento estático dos modelos e Tabela 4: Taxa de Redução de Erro Multi-objetivo - MERR 3. MERR 3 Regressor MERR (%) y(k-) 99, y(k-2) 0, u(k ) 2 0,00337 u(k 2) 2 0, u(k-2)u(k-) 0,0006 C 0, u(k-) 0, u(k-)y(k-) 0,0005 u(k-2)y(k-2) 0, Figura 6: Comportamento dinâmico dos modelos e,2 ERR BI 3 ERR BI 4 ERR BI Figura 7: Índice RMSE estático e dinâmico dos modelos. ERR Tabela 5: Taxa de Redução de Erro Multi-objetivo - MERR 4. MERR 4 Regressor MERR (%) y(k-) 99,93069 y(k-2) 0, C 0,00233 u(k-) 0,07904 u(k-2) 0,00003 u(k 2) 2 0, u(k-)y(k-) 0,00063 y(k 2) 2 0,00035 u(k ) 2 0,00029 Observa-se claramente que os objetivos em questão são conflitantes. Por outro lado, consegue-se modelos que apresentam uma grande melhoria quanto da representação estática, sob a pena de uma pequena piora na representação dinâmica ou até mesmo sem nenhuma perda dinâmica (modelo MERR 4 ). Com isso, pode-se concluir que há informações nos dados estáticos relevantes para a obtenção da estrutura do modelo. Além disso, devido a obtenção do modelo MERR 4 que suplanta o modelo ERR, conjectura-se que há informação acerca do comportamento dinâmico do modelo nos dados estáticos teóricos. Ponto extremamente relevante é que, a luz dos índices RMSE, o modelo obtido pela clássica técnica ERR encontra-se dominado, ou seja, existem modelos que possuem melhor comportamento dinâmico e estático simultaneamente. Isso pode ser explicado, uma vez que o algoritmo ERR é sub-
8 Tabela 6: Validação dos modelos. O sub-índice s refere-se a estático, ao passo que o sub-índice d se refere a dinâmico. ERR MERR 4 MERR 3 MERR 2, RMSE s,5824,4959,493 0,4930 RMSE d 0,3004 0,2935 0,3545 0,4802 ótimo. Por fim, atenta-se ao fato que técnicas multiobjetivo tendem a aumentar a robustez e globalidade do modelo, o que é extremamente importante em problemas de identificação e controle robusto. 5 Conclusões Foi apresentada o desenvolvimento da taxa de redução de erro multi-objetivo (MERR), técnica utilizada para detecção de estruturas de modelos ARMAX polinomiais. Em geral, o que se tem na literatura são técnicas mono-objetivo de detecção de estruturas, sendo que tais técnicas não levam em consideração informações que se tem a priori Foram obtidos um conjunto de modelos, estáveis, que representam bem o sistema em questão. Observou-se também uma grande melhora na representação da característica estática Ademais, tais modelos mostram-se mais globais e robustos, por possuírem informações da estática Como pesquisas futuras, pretende-se fazer uma adaptação ao índice AIC, de forma que o mesmo leve em conta não somente o objetivo de minimizar o erro dinâmico, mas também outras características relevantes Ademais, pretende-se incorporar um maior número de informação durante a etapa de detecção de estruturas, via taxa de redução de erro multi-objetivo. Agradecimentos Os autores agradecem à Fapemig, CPq, Capes e à Universidade Federal de São João del-rei, pelo apoio financeiro. Referências Aguirre, L. A. (2007). Introdução à Identificação de Sistemas: Técnicas lineares e nãolineares aplicadas a sistemas reais, Editora da UFMG. 3 a edição. Aguirre, L. A., Rodrigues, G. G. e Jácome, C. R. F. (998). Identificação de sistemas nãolineares utilizando modelos narmax polinomiais uma revisão e novos resultados, SBA Controle & Automação 9(2): Barbosa, A. M. (200). Técnicas de otimização biobjetivo para a determinação da estrutura de modelos narx, Master s thesis, Universidade Federal de Minas Gerais. Barroso, M. F. S., Takahashi, R. e Aguirre, L. (2007). Multi-objective parameter estimation via minimal correlation criterion, Journal of Process Control 7(4): Billings, S. A. (980). Identification of nonlinear systems - a survey, IEE Proceedings-D Control Theory and Applications 27(6): Bonin, M., Seghezza, V. e Piroddi, L. (200). ARX model selection based on simulation error minimisation and LASSO, IET Control Theory and Applications 4(7): Fung, R.-F., Hsu, Y.-L. e Huang, M.-S. (2009). System identification of a dual-stage xy precision positioning table, Precision Engineering 33(): Johansen, T. A. (996). Identification of nonlinear systems using empirical data and prior knowledge - an optimization approach, Automatica 32(3): Johansen, T. A. e Babuska, R. (2003). Multiobjective identification of Takagi-Sugeno fuzzy models, IEEE Transactions on Fuzzy Systems (6): Ljung, L. (987). System Identification: Theory for the User., Prentice-Hall, London. Martins, S. A. M., Braga, D. C. S., epomuceno, E. G., Gomes, T. V. e Reis, M. L. F. (2009). Investigation of the static curve information for multiobjective system identification, Journal of Computational Interdisciplinary Sciences (2): Martins, S. A. M., epomuceno, E. G. e Figueiredo, J. P. (20). Detecção de estruturas de modelos narmax polinomiais: uma abordagem inteligente multi-objetivo., Anais do X Simpósio Brasileiro de Automação Inteligente, pp epomuceno, E. G., Takahashi, R. H. C. e Aguirre, L. A. (2007). Multiobjective parameter estimation for non-linear systems: affine information and least-squares formulation, International Journal of Control 80(6): Pardalos, P. M., Steponavice, I. e Zilinskas, A. (20). Pareto set approximation by the method of adjustable weights and successive lexicographic goal programming, Optimization Letters pp. 4.
DETECÇÃO DE ESTRUTURAS DE MODELOS NARX POLINOMIAIS: UMA ABORDAGEM INTELIGENTE MULTI-OBJETIVO. Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno, João Paulo Mendes Figueiredo GCoM Grupo de Controle
Leia maisDETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO
DETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO Samir Angelo Milani Martins, Alípio Monteiro Barbosa, Erivelton Geraldo Nepomuceno GCoM Grupo de
Leia maisXXI Congresso Brasileiro de Automática - CBA2016 UFES, Vitória - ES, 3 a 7 de outubro
DISTRIBUIÇÃO UNIFORME DAS SOLUÇÕES PARETO-ÓTIMO NA IDENTIFICAÇÃO MULTIOBJETIVO DE SISTEMAS Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno GCOM - Grupo de Controle e Modelagem Departamento de
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisAPLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES
APLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES ANA PAULA L. SANTOS*, NÁDIA R. L. MILAGRES*, ALINE A. CAMPOS**, LUCIANA M. MARGOTI**,
Leia maisIdentificação de Sistemas Dinâmicos com Aritmética Intervalar
Identificação de Sistemas Dinâmicos com Aritmética Intervalar Márcia L. C. Peixoto Marco T. R. Matos Wilson R. Lacerda Júnior Samir A. M. Martins Erivelton G. Nepomuceno Programa de Pós-Graduação em Engenharia
Leia maisAplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da Unijuí. 2
COLETA DE DADOS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO E DETERMINAÇÃO DA ORDEM DE MODELOS ARX E ARMAX ATRAVÉS DE FUNÇÕES DE AUTOCORRELAÇÃO. 1 Joelson Lopes Da Paixão 2, Airam Sausen 3, Eduardo
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisCapítulo 11 - Projeto de Testes e Escolha de Estruturas
Capítulo 11 - Projeto de Testes e Escolha de Estruturas Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 22 de novembro de 2016 1 / 38 Introdução
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
Porto Alegre RS, o 4 de Outubro de 27 IDENTIFICAÇÃO DE UM MOTOR/GERADOR CC POR MEIO DE MODELOS POLINOMIAIS AUTORREGRESSIVOS E REDES NEURAIS ARTIFICIAIS Wilson Rocha Lacerda Junior, Vinicius Martins Almeida,
Leia maisUso de informação a priori para identificação de um processo de Neutralização de ph em Malha Fechada
Laboratório de Modelagem, Análise e Controle de Sistemas Não-Lineares Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, 31270-901 Belo Horizonte, MG Brasil
Leia maisPrograma Analítico de Disciplina ELT430 Modelagem e Identificação de Sistemas
0 Programa Analítico de Disciplina Departamento de Engenharia Elétrica - Centro de Ciências Exatas e Tecnológicas Número de créditos: Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal
Leia maisAmanda Danielle Oliveira da Silva Dantas
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E COMPUTAÇÃO Amanda Danielle Oliveira da Silva Dantas IDENTIFICAÇÃO DE MODELOS POLINOMIAIS
Leia maisAPLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1
APLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Joelson Lopes Da Paixão 2, Airam Teresa Zago Romcy
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisPropriedades das Funções de Base Radiais aplicadas à identificação de sistemas dinâmicos não-lineares
Universidade Federal de Minas Gerais From the SelectedWorks of Gladstone B. Alves 24 Propriedades das Funções de Base Radiais aplicadas à identificação de sistemas dinâmicos não-lineares Gladstone B. Alves,
Leia maisIDENTIFICAÇÃO DE SISTEMAS NÃO LINEARES USANDO O ÍNDICE MÉDIO DE COERÊNCIA
IDETIFICAÇÃO DE SISTEMAS ÃO LIEARES USADO O ÍDICE MÉDIO DE COERÊCIA Eduardo Bento Pereira (IC) Danton Diego Ferreira (PG) Erivelton Geraldo epomuceno (PQ) Universidade Federal de Juiz de Fora (UFJF) Universidade
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ 2
ESTUDO TEÓRICO DA CONSTRUÇÃO DE MODELOS MATEMÁTICOS AUTORREGRESSIVOS E COMPARAÇÃO COM MODELOS ANALÍTICOS PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Alisson Vercelino
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS COM ARITMÉTICA INTERVALAR Márcia L. C. Peixoto, Marco T. R. Matos, Wilson R. Lacerda Júnior, Samir A. M. Martins, Erivelton G. Nepomuceno Programa de Pós-Graduação em
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisSystems Identification, Interval Arithmetic, Errors Propagation, Intlab toolbox.
IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS COM ARITMÉTICA INTERVALAR Márcia L. C. Peixoto, Marco T. R. Matos, Wilson R. Lacerda Júnior, Samir A. M. Martins, Erivelton G. Nepomuceno Programa de Pós-Graduação em
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ. 2
COLETA DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM DOS DADOS UTILIZANDO A TEORIA DE IDENTIFICAÇÃO DE SISTEMAS 1 Eduardo Cardoso
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisALGORITMOS EVOLUCIONÁRIOS NA IDENTIFICAÇÃO DE SISTEMAS HÍBRIDOS PWA Bruno Henrique Groenner Barbosa, Luis Antônio Aguirre, Antônio Pádua Braga Departamento de Engenharia Universidade Federal de Lavras
Leia maisMODELAGEM MATEMÁTICA CAIXA PRETA DE PROPULSORES ELETROMECÂNICOS 1
MODELAGEM MATEMÁTICA CAIXA PRETA DE PROPULSORES ELETROMECÂNICOS 1 Leila Ana Valer 2, Manuel Martín Pérez Reimbold 3. 1 Pesquisa realizada no Programa de Mestrado e Doutorado em Modelagem Matemática da
Leia maisMétodo dos Mínimos Quadrados na Identificação de Sistemas LIT.
Método dos Mínimos Quadrados na Identificação de Sistemas LIT. ENGC65: Sistemas de Controle III Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 14 de abril de 2014 Sumário
Leia maisIdentificação de Sistemas em Motores de Indução Trifásicos
IV SAISEE SEMINÁRIO DE AUTOMAÇÃO INDUSTRIAL E SISTEMAS ELETRO-ELETRÔNICOS INSTITUTO NACIONAL DE TELECOMUNICAÇÕES INATEL ISSN 319-8 MARÇO DE 16 Identificação de Sistemas em Motores de Indução Trifásicos
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisModelos Auto regressivos para Representação de Sistemas com Histerese
Laboratório de Modelagem, Análise e Controle de Sistemas Não-Lineares Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, 31270-901 Belo Horizonte, MG Brasil
Leia maisUtilização de Auto-Consistência como Ferramenta Auxiliar na Seleção de Estrutura de Modelos NARX Polinomiais
Laboratório de Modelagem, Análise e Controle de Sistemas Não-Lineares Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, 31270-901 Belo Horizonte, MG Brasil
Leia maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia maisEvolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório
https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante
Leia maisModelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL
https://eventos.utfpr.edu.br//sicite/sicite2017/index Modelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL RESUMO Pamela Maria Alves dos Santos pamelas@alunos.utfpr.edu.br
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução
Leia maisDETERMINAÇÃO DE MODELOS DISCRETOS PARA UMA PLANTA DIDÁTICA DE MONITORAÇÃO E CONTROLE DE FLUXO COMPARANDO ESTIMADORES RECURSIVOS
DETERMINAÇÃO DE MODELOS DISCRETOS PARA UMA PLANTA DIDÁTICA DE MONITORAÇÃO E CONTROLE DE FLUXO COMPARANDO ESTIMADORES RECURSIVOS Brehme Dnapoli Reis de Mesquita 1 Rejane de Barros Araújo 2 Resumo: Este
Leia maisEstimação da função de transferência a partir do diagrama de Bode
https://eventos.utfpr.edu.br//sicite/sicite2017/index Estimação da função de transferência a partir do diagrama de Bode RESUMO Guilherme dos Santos Correa Leite guiidm@hotmail.com Universidade Tecnológica
Leia maisIDENTIFICAÇÃO NÃO-LINEAR CAIXA-CINZA: UMA REVISÃO E NOVOS RESULTADOS
IDENTIFICAÇÃO NÃO-LINEAR CAIXA-CINZA: UMA REVISÃO E NOVOS RESULTADOS Marcelo V. Corrêa mcorrea@unilestemg.br Luis A. Aguirre aguirre@cpdee.ufmg.br Curso de Engenharia Elétrica, Centro Universitário do
Leia maisMODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1
MODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1 Marcia De Fatima Brondani 2, Airam Teresa Zago Romcy Sausen 3, Paulo Sérgio Sausen 4. 1 Projeto de Pesquisa realizado
Leia maisESTUDO E APLICAÇÃO DA LEI DE PEUKERT ESTENDIDA PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS CONSIDERANDO CORRENTES VARIÁVEIS 1
ESTUDO E APLICAÇÃO DA LEI DE PEUKERT ESTENDIDA PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS CONSIDERANDO CORRENTES VARIÁVEIS 1 Livia Bittencourt Gomes 2, Julia Giehl Zart 3, Douglas Joziel Bitencourt Freitas
Leia maisIDENTIFICAÇÃO DE SISTEMAS NÃO-LINEARES DINÂMICOS UTILIZANDO MODELOS AUTOREGRESSIVOS APLICADO
IDENTIFICAÇÃO DE SISTEMAS NÃO-LINEARES DINÂMICOS UTILIZANDO MODELOS AUTOREGRESSIVOS APLICADO EM UM PROCESSO DE NEUTRALIZAÇÃO DE ph I.C. FRANCO 1, A. S. MOTA 1, M. R. MENEZES 1 1 Centro Universitário da
Leia maisEstudo Comparativo de Técnicas de Controle em um Processo de Nível
1 Estudo Comparativo de Técnicas de Controle em um Processo de Nível RESUMO O controle do nível de tanques é um problema clássico e é considerado um assunto de grande importância e aplicabilidade industrial,
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução Sumário 1 Introdução
Leia mais2.1 Dados Experimentais e Método para Estimação dos Parâmetros
ANÁLISE COMPARATIVA DE MODELOS ANALÍTICOS CONSIDERANDO DESCARGAS CONSTANTES PARA PREDIÇÃO DO TEMPO DE VIDA DE DISPOSITIVOS MÓVEIS 1 Julia Giehl Zart 2, Livia Bittencourt Gomes 3, Douglas Joziel Bitencourt
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisAnálise Matemática. Aula Introdutória. Erivelton Geraldo Nepomuceno. Departamento de Engenharia Elétrica Universidade Federal de São João del-rei
Análise Matemática Aula Introdutória Erivelton Geraldo Nepomuceno Departamento de Engenharia Elétrica Universidade Federal de São João del-rei Agosto de 2016 Prof. Erivelton (PPGEL/UFSJ) Análise Matemática
Leia maisIdentificação Neural com Uso do Sinal de Erro de Predição
Proceedings of the IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais pp. 036-041, July 20-22, 1999 - ITA, São José dos Campos - SP - Brazil Identificação Neural com
Leia maisIDENTIFICAÇÃO DE UM MODELO PARA SINAIS DE ELETROMIOGRAFIA DO MOVIMENTO ÚNCO DA MÃO
IDENTIFICAÇÃO DE UM MODELO PARA SINAIS DE ELETROMIOGRAFIA DO MOVIMENTO ÚNCO DA MÃO Isabela oliveira zaparoli*¹, Victor Hugo Soares Lopes¹ ¹PPGEL Universidade Federal de São João Del Rei Resumo - O sinal
Leia maisRedução de Ordem de Modelos NARX-OBF Utilizando Algoritmos Genéticos: Identificação de um Levitador Magnético
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Redução de Ordem de Modelos NARX-OBF Utilizando Algoritmos Genéticos:
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução O crescimento do sistema de energia elétrica, o aumento do número de interligações e a sofisticação dos modelos para representação dos componentes de
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
USO DE IDENTIFICAÇÃO DE SISTEMAS PARA MODELAGEM DO MOVIMENTO DA MÃO UTILIZANDO ELETROMIÓGRAFO DE BANCADA Victor Hugo Soares Lopes, Isabela Oliveira Zaparoli, Eduardo Bento Pereira Núcleo de Robótica e
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisOtimização. Conceitos Fundamentais. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Conceitos Fundamentais Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/2 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/2 1 / 30 Agradecimentos
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisDESENVOLVIMENTO DE SOFTWARE DE IDENTIFICAÇÃO DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMO DE GOLUB-HOUSEHOLDER
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS UNIDADE ARAXÁ RANGEL RESENDE ALVES DESENVOLVIMENTO DE SOFTWARE DE IDENTIFICAÇÃO DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMO DE GOLUB-HOUSEHOLDER
Leia maisMetaheurísticas para Estimação de Parâmetros na Identificação de Sistemas Não Lineares
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO CURSO DE ENGENHARIA MECATRÔNICA Metaheurísticas
Leia maisIMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisModelação, Identificação e Controlo Digital
29 Adormecimento dos mínimos quadrados recursivos Se os dados forem adequados, os elementos do ganho de Kalman diminuem à medida que o tempo passa, tornando-se eventualmente muito reduzidos se o ruído
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução Com o elevado índice de expansão dos sistemas elétricos de potência, os freqüentes aumentos nas interligações e o alto número de variáveis que envolvem
Leia maisComputação Aritmética
Computação Aritmética Aula Introdutória Erivelton Geraldo Nepomuceno Departamento de Engenharia Elétrica Universidade Federal de São João del-rei Março de 2017 Prof. Erivelton (DEPEL/UFSJ) CompIEEE Março
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisResumo Expandido INTRODUÇÃO:
Resumo Expandido Título da Pesquisa (Português): Pesquisa Operacional aplicada ao problema de alocação de caminhões em uma mina a céu aberto. Título da Pesquisa (Inglês): Operations Research applied to
Leia maisANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY
ANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY Adryano Fernandes Resende 1, Jackson Gonçalves Ernesto 2, Fábio Augusto Gentilin³ 1,2 Acadêmicos do Curso de Engenharia de
Leia maisIDENTIFICAÇÃO USANDO TÉCNICAS DE SUBESPAÇOS DE UMA PLANTA DE BOMBEAMENTO DE ÁGUA - UM ESTUDO DE CASO Rodrigo Augusto Ricco, Anny Verly, Bruno Otávio Soares Teixeira, Luis Antonio Aguirre Programa de Pós-Graduação
Leia maisUso de Conhecimento Prévio na Identificação de Modelos Polinomiais NARMAX
Cristiano Ribeiro Ferreira Jácome Uso de Conhecimento Prévio na Identificação de Modelos Polinomiais NARMAX Dissertação submetida à banca examinadora designada pelo Colegiado do Programa de Pós-Graduação
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA LUIS PAULO FAGUNDES ALGORITMOS GENÉTICOS APLICADOS NA ESCOLHA DA TAXA DE AMOS- TRAGEM EM IDENTIFICAÇÃO
Leia maisMétodo dos Mínimos Quadrados
Universidade Federal da Paraíba Programa de Pós-Graduação em Engenharia Elétrica Método dos Mínimos Quadrados Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan 1 CASO 1:
Leia maisConsiderações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos ão Paramétricos 1 Métodos ão Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J. Miranda
Leia maisUtilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência.
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência. Rodrigo de J. Macedo Resumo Apresenta-se, neste artigo,
Leia maisIDENTIFICAÇÃO DE PROCESSOS EM TEMPO REAL VIA MODELO ARMAX
IDENTIFICAÇÃO DE PROCESSOS EM TEMPO REAL VIA MODELO ARMAX C. B. CAVALCANTI 1, J. N. SILVA 1 1 Universidade Federal de Campina Grande, Departamento de Engenharia Química E-mail para contato: nilton.silva@ufcg.edu.br
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisAUTO SINTONIA UTILIZANDO MODELO ARMAX
AUTO SINTONIA UTILIZANDO MODELO ARMAX A. U. A. JÚNIOR 1, M. M. SILVA 1, A. C. NASCIMENTO 1, H. BISPO 1 e J. N. SILVA 1 1 Universidade Federal de Campina Grande, Unidade Acadêmica de Engenharia Química
Leia maisarxiv: v1 [eess.sp] 21 Nov 2017
DINCON 2017 CONFERÊNCIA BRASILEIRA DE DINÂMICA, CONTROLE E APLICAÇÕES 30 de outubro a 01 de novembro de 2017 São José do Rio Preto/SP Incorporação de Incertezas Numéricas para Validação de Modelos Não
Leia maisRegressão Local (LOESS)
Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia maisMETODOLOGIA PARA DEPURAÇÃO OFF-LINE DE PARÂMETROS SÉRIE E SHUNT DE LINHAS DE TRANSMISSÃO ATRAVÉS DE DIVERSAS AMOSTRAS DE MEDIDAS
METODOLOGIA PARA DEPURAÇÃO OFF-LINE DE PARÂMETROS SÉRIE E SHUNT DE LINHAS DE TRANSMISSÃO ATRAVÉS DE DIVERSAS AMOSTRAS DE MEDIDAS MADELEINE ROCIO MEDRANO CASTILLO ALBERTINI Tese de Doutorado apresentada
Leia maisDETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO TRIFÁSICOS POR MEIO DE INSTRUMENTO VIRTUAL
DETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO TRIFÁSICOS POR MEIO DE INSTRUMENTO VIRTUAL ANA PAULA L. SANTOS*, LÍVIA DE FÁTIMA SILVA MENDES*, MÁRCIO F. S. BARROSO*, LANE RABELO BACCARINI*, * Programa de Pós
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
ALGORITMO RECURSIVO PARA IDENTIFICAÇÃO NEBULOSA TIPO-2 DE SISTEMAS DINÂMICOS NÃO-LINEARES Anderson Pablo Freitas Evangelista, Ginalber Luiz de Oliveira Serra Universidade Federal do Maranhão Av. dos Portugueses,
Leia maisProjeto realizado junto ao Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ. 2
COLETA DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM DOS DADOS UTILIZANDO A TEORIA DE IDENTIFICAÇÃO DE SISTEMAS 1 Eduardo Cardoso
Leia maisCOMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisAVALIAÇÃO DO ENRIQUECIMENTO POLINOMIAL NO MÉTODO DOS ELEMENTOS FINITOS GENERALIZADOS EM ELEMENTOS TRIANGULARES
AVALIAÇÃO DO ENRIQUECIMENTO POLINOMIAL NO MÉTODO DOS ELEMENTOS FINITOS GENERALIZADOS EM ELEMENTOS TRIANGULARES Neimar A. da Silveira Filho niemarsilveira@ufmg.br Thaiane Simonetti de Oliveira thaianesimo@gmail.com
Leia maisIdentificação de Modelo ARX e Controle PI-D de um Conjunto Experimental Correia Rolante e Motor CC
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Identificação de Modelo ARX e Controle PI-D de um Conjunto Experimental
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia maisINFLUÊNCIA DE SOFTWARES E SISTEMAS OPERACIONAIS NA SIMULAÇÃO DE MODELOS DINÂNICOS NÃO LINEARES Felipe Lulli Milani, Wilson Rocha Lacerda Junior, Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisProcessamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação
Processamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação João Miguel Sanches jmrs@ist.utl.pt www.isr.ist.utl.pt/~jmrs Tel: +351 21 8418 195 (Ext: 2195 / 5184) Department
Leia maisAVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Leia maisEquivalência de Estruturas de Modelos Não Lineares
Laboratório de Modelagem, Análise e Controle de Sistemas Não Lineares Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, 31270-901 Belo Horizonte,
Leia maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS IV. ESTIMAÇÃO ÓTIMA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia mais