6.

MODELAGEM E IDENTIFICAO DE SISTEMAS NOLINEARES

6.1 MODELOS NO-LINEARES

A utilizao de tcnicas de controle baseadas em modelos lineares , em parte,
devido simplicidade dos modelos empregados para representar o comportamento do
processo, no entanto, isto tambm constitui uma deficincia potencial porque tais modelos
lineares so, muitas vezes, inadequados quando se faz necessria uma melhor aproximao
de um processo. Por outro lado, os esquemas de controle no-linear, os quais empregam
modelos mais realistas e, portanto, mais complexos, para a descrio de processos nolineares, eliminam a simplicidade associada s tcnicas lineares. Modelos no-lineares
possibilitam um retrato mais fiel do processo quando este se faz necessrio. Apesar de
apresentar uma complexidade maior, apenas a representao atravs de um modelo nolinear permite a anlise de algumas caractersticas do sistema como oscilaes e
bifurcaes .
6.1.1 Modelo NCARMA (Nonlinear Controlled Auto-Regressive Moving Average)
Este modelo, que na literatura aparece comumente como NARMAX (Nonlinear AutoRegressive Moving Average Model with Exogenous Inputs), representa o sistema atravs de
uma funo polinomial com grau de no-linearidade l cuja parcela determinstica
apresentada como o somatrio de termos com graus de no-linearidade m (1 m l ). Cada
termo de grau m pode conter um fator de grau p do tipo y(t i) e um fator de grau (m p) do
tipo u(t i) multiplicados por um parmetro hp,m-p(n1, ..., nm), ou seja,

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

m n y , nu

i =1

i = p +1

y (t ) = hp ,m p ( n1 ,..., nm ) y (t ni ) u (t ni )
m = 0 p = 0 n1 , nm

onde

n y , nu

ny

nu

n1 , nm

n1 =1

nm =1

(6.1)

L , podendo ainda ser representado na forma

ny

nu

n1 =1

n1 =1

ny

y (t ) = h0 + h1,0 (n1 ) y (t n1 ) + h0,1 (n1 )u (t n1 ) +

ny

ny

2,0

(n1 , n2 ) y (t n1 ) y (t n2 )

n1 =1 n2 = n1
ny

nu

+ h1,1 (n1 , n2 ) y (t n1 )u (t n2 ) +
n1 =1 n2 =1

ny

0,2

(n1 , n2 )u (t n1 )u (t n2 ) + ...

(6.2)

n1 =1 n2 = n1

Exemplo 6.1 - A equao (6.3) representa um modelo NCARMA com ny = 2, nu = 2, e m =

3, usado para descrever um aquecedor eltrico obtido experimentalmente, conforme
Aguirre (2000).

y (t ) = 0.4455 y (t 1) + 0.5777 y (t 2) + 0.4860u (t 1) 0.6363u (t 2)

1.1458.106 y 2 (t 1)u (t 1) 9.9776.105 u 2 (t 1)u (t 3)
2.9271.105 y 3 (t 3) + 7.8831.103 y (t 2)u (t 2)

(6.3)

+ 7.4386.108 y 2 (t 3)u (t 3)
O modelo NCARMA apresenta-se como o caso mais geral de representao de
sistemas no-lineares, cujos casos particulares podem representar os modelos de Volterra e
Bilinear dentre outros.

6.1.2 Modelo de Volterra

A representao de um sistema no-linear atravs de uma srie de Volterra pode ser
vista como uma generalizao da representao de resposta impulsiva para sistemas
lineares, que no seu caso discreto dada por

y (t ) = h0 + h1i u (t d i ) + h2ij u (t d i )u (t d j ) +
i =1

i =1 j = i

+ ... + ... hmi...u (t d i )...u (t d ...) + (t )

i =1

(6.4)

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

No caso particular de um sistema linear a equao (6.4) fica reduzida ao modelo da

resposta impulsiva, equao (6.5). Para viabilizar a aplicao prtica deste modelo utilizase uma srie de Volterra truncada numa ordem desejada e com memria finita, isto ,

y (t ) = h0 + h1i u (t d i ) + h2ij u (t d i )u (t d j ) +
i =1

i =1 j = i
N

(6.5)

+ ... + ... hmi...u (t d i )...u (t d ...) + (t )

i =1

onde os parmetros h0, h1i e h2ij so coeficientes do modelo, N representa a memria e o

nmero de parcelas est relacionado, tambm, ordem m do modelo. O modelo de
Volterra pode ser visto como um caso particular do NCARMA onde todas as parcelas hij
associadas sada so nulas. O nmero de termos do modelo pode ser representado pela
seguinte expresso:

N termos =

A modelagem

( N + m )!

N!

m!

(6.6)

do processo utilizando apenas informao da entrada pode

necessitar um nmero elevado de parmetros para o modelo de Volterra Uma alternativa a

esta representao desenvolver o kernel utilizando funes ortornormais.

Exemplo 6.2 - A equao (6.7) representa um modelo de Volterra, com N = 6 e m = 2,

usado para descrever um processo Fan and Plate em escala de laboratrio.

y (t ) = 0.0700 0.1505u (t 1) 1.2058u (t 2) + 0.1174u (t 3) + 0.1600u (t 4)

6

0.1168u (t 5) + 0.0320u (t 6) + h2ij u (t i )u (t j )

i =1 j =1

onde

(6.7)

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

+0.0714 +0.2362 0.0510

0
+0.2701 0.0171

0
0
+0.0723
h2ij =
0
0
0
0
0
0

0
0
0

0.0904 0.0780 0.0885

0.0566 0.0442 0.0546
+0.0329 +0.0453 +0.0348

+0.0437 +0.0561 +0.0456

0
+0.0420 +0.0315

+0.0281
0
0

A representao de processos no-lineares atravs de sries de Volterra possibilita a

descrio de dinmicas assimtricas e variaes no sinal do ganho do processo possuindo
vrias aplicaes bem sucedidas em controle de processos em telecomunicaes, processos
qumicos, sistemas biolgicos, eletrnica, forno de gesso, controle de presso.

6.1.3 Modelo Bilinear

O modelo bilinear baseado em um modelo linear do tipo ARMA mais termos nolineares constitudos pelos produtos entre entradas e sadas na equao:

ny

nu

A(q 1 ) y (t ) = b0 + B1 (q 1 )u (t d ) + b2ij y (t d i )u (t d j ) + ... + (t )

(6.8)

i =0 j =0

onde os termos do polinmio b2ij so coeficientes no-lineares, ny e nu representam o grau

de no-linearidade. Tambm pode ser visto como um caso particular do NCARMA onde
apenas os parmetros associados entrada e aos termos cruzados de segunda ordem so
diferentes de zero.

Exemplo 6.3 - A equao (6.9) representa um modelo Bilinear, com ny = 3 e nu = 1, usado

para descrever o mesmo processo Fan and Plate do exemplo 2.2 .
y(t ) = 1.2515 y (t 1) 0.5607 y(t 2) 0.3267 y (t 3) 0.1243u (t 1) + 0.3829u (t 2)
+ 0.3026 y(t 1)u (t 1) 0.3314 y(t 1)u (t 2) 0.4992 y(t 2)u (t 1)
(6.9)
+ 0.5181y(t 2)u (t 2) + 0.2347 y(t 3)u (t 1) 0.1264 y (t 3)u (t 2)
A aplicao de um modelo bilinear na representao de um processo industrial est
associada s plantas cujas caractersticas so inerentemente bilineares como processos de
fermentao, colunas de destilao, reatores nucleares e reatores qumicos. Como a

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

estrutura do modelo bilinear linear em relao aos parmetros possvel aplicar as

mesmas tcnicas de identificao empregadas nos modelos lineares.

6.1.4 Modelo de Hammerstein

Este modelo consiste de um elemento esttico no-linear seguido por um sistema
dinmico linear como ilustrado na Figura 6.1.

u(t)

x(t)

NL

y(t)
-1

G(q )

Figura 6.1 Modelo de Hammerstein.

O bloco da no-linearidade esttica (NL) pode ser representado por um polinmio,
pela equao da no-linearidade ou atravs de modelos semi-paramtricos.

Representao da NL por um Polinmio

Este caso o mais comum quando no se dispe de informaes a respeito da
natureza da no-linearidade, aproximado-a por uma expanso polinomial finita do tipo
x(t) = 1u(t) + 2u2(t) + ... + mum(t)

(6.10)

onde t o instante de tempo, x(t) a pseudo-sada, no-mensurvel, do bloco no-linear,

u(t) a varivel de entrada, i (i = 1, , m) representam os coeficientes do polinmio e m
o grau de no-linearidade do modelo .
Normalmente considera-se 1 = 1 transferindo o ganho esttico para a parcela
dinmica linear, G(q-1), que pode ser representada por qualquer um dos modelos lineares
apresentados no captulo 4.
O modelo de Hammerstein pode ser apresentado, ainda, como um caso particular
do modelo de Volterra, equao (6.5), com hij = 0, i j, tornando-se
nu

nu

nu

j =0

j =0

j =0

y (t ) = h0 + b1 j u (t d j ) + b2 j u 2 (t d j ) + b3 j u 3 (t d j ) + ... + (t )

(6.11)

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Exemplo 6.4 - A equao (6.12) representa um modelo de Hammerstein, com na = 1, nb =

2 e m = 3, usado para descrever um reator.

y (t ) = 0.962 y (t 1) + 0.032u (t 1) + 0.085u (t 2) 0.114u 2 (t 1)

+ 0.061u 2 (t 2) 0.035u 3 (t 1) + 0.031u 3 (t 2)

(6.12)

6.1.5 Modelo de Wiener

Este modelo apresenta um sistema dinmico linear seguido por um elemento nolinear, de forma contrria ao modelo de Hammerstein, como ilustrado na abaixo.

u(t)

w(t)
-1

G(q )

y(t)

NL

Figura 6.2 Modelo de Wiener.

Da mesma forma que o caso de Hammerstein, a parcela linear pode ser
representada por um dos modelos apresentados no captulo 4, enquanto que a nolinearidade (NL) pode ser representada por um polinmio do tipo
y(t) = 1w(t) + 2w2(t) + ... + mwm(t)

(6.13)

onde w(t) a pseudo-sada do bloco linear ou, ainda, baseada nas outras formas de
representao vlidas para o modelo de Hammerstein visto que o modelo de Wiener
considerado o seu dual.

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Representao pelo Mapeamento Esttico da NL

Este caso aplicado quando a no-linearidade envolvida apresenta uma estrutura
conhecida como saturao, zona-morta, histerese ou rel, dentre outras . A Figura 6.3
ilustra a representao de alguns tipos comuns de no-linearidades cujas equaes
aparecem representadas na
Tabela 6.1.
x

x
1

a
-a

-a

a
-1

-a

(a) Saturao

(b) Rel

x
1

-a

-a
a

a
-1

(c) Zona-Morta

(d) Histerese

Figura 6.3 Tipos Comuns de No-Linearidades.

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Tabela 6.1 Representao de NL com Estrutura Conhecida.

No-Linearidade

Equao

Saturao

x(t ) =

Zona-morta

1 + sgn ( a u (t ) )
2

u (t ) +

x(t ) = u (t ) a.sgn ( u (t ) )

Histerese

x(t ) =

Rel

1 + sgn ( u (t ) a )
2

1 + sgn ( a u (t ) )
2

a.sgn ( u (t ) )

u (t ) a.sgn ( u (t ) )

sgn ( u (t ) a ) + sgn ( u (t ) + a )
2

u (t ) a

x(t ) = u (t ) + a
x(t 1)

se
se
se

u (t ) > u (t 1),
u (t ) < u (t 1),
u (t ) = u (t 1)

onde sgn representa a funo sinal.

Representao da NL por um Modelo Semi-paramtrico

Esta terminologia utilizada para descrever uma classe de modelos baseada em
redes neurais artificiais (ANN Artificial Neural Networks) e informao lingstica
difusa. Nestes casos os modelos so formados por nmeros que correspondem s
ponderaes de uma ANN ou ao grau de pertinncia num conjunto difuso.

Modelos ANN Estes modelos tm a capacidade de aprender o comportamento

entrada-sada do sistema. Uma rede neural consiste de vrios elementos
computacionais simples, denominados de ns, arranjados em camadas e operando
em paralelo (Figura 6.4). Os pesos das conexes entre os ns so adaptados durante
a operao de treinamento da rede que tem por objetivo melhorar o seu
desempenho .
1
wjh

wjo

.
.

x(t)

u(t)

G(q-1)

y(t)

.
.

jh
1

L
1

Figura 6.4 Estrutura de um modelo Hammerstein Neural.

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Modelos Nebulosos (fuzzy models) este modelo combina informao numrica e

lingstica (do tipo pequeno, mdio, grande, etc.) possibilitando a aplicao do
conhecimento prvio das caractersticas do processo mesmo que este seja
incompleto e/ou com incertezas .
1

d1

x(t)

u(t)

G(q-1)

y(t)

NR

dNR

Figura 6.5 Estrutura de um modelo Hammerstein Nebuloso.

A popularidade do modelo de Hammerstein deve-se ao fato da maior simplicidade
em relao s representaes de Volterra e Bilinear aliada a uma capacidade de
representao da no-linearidade da maioria dos processos prticos sendo capaz de
representar processos com atuadores no-lineares e ganhos variantes .

Exemplo 6.5 - As equaes (6.14) e (6.15) representam um modelo de Wiener, com na =

2, nb = 1 e m = 3, utilizado em Chiras (2002) para representar o comportamento de uma
turbina a gs.
y (t ) = 5.46w(t ) + 0.167 w2 (t ) + 0.0669 w3 (t )

(6.14)

w(t ) = 0.9993w(t 1) 0.0373w(t 2) + 0.0043u (t 1) 0.00028u (t 2)

(6.15)

onde

O modelo de Wiener conta com diversas aplicaes registradas na literatura de

controle de processos como na representao do comportamento muscular sob anestesia ,
controle de pH, colunas de destilao, controle de vlvulas ,turbina a gs, reatores
qumicos), alm de qualquer processo do Tipo Wiener, ou seja, que possa ser representado
por uma parcela dinmica linear seguida de uma no-linearidade esttica .

10

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

6.2 RELAO

ENTRE OS MODELOS

Os diversos modelos apresentados nas sees anteriores podem ser relacionados

conforme descrito a seguir:

NCARMA

Volterra

Hammerstein

Linear

Bilinear

Wiener

Figura 6.6 Relao entre os modelos no-lineares.

Como a complexidade dos modelos estudados est diretamente relacionada ao
nmero de termos envolvidos, a Tabela 6.2 apresenta uma comparao levando em conta o
caso no-paramtrico na representao do modelo linear.
Tabela 6.2 Comparao da Complexidade dos Modelos.

Modelo

Nmero de Termos

Linear

Hammerstein / Wiener
Bilinear
Volterra

N+m
N + ny.nu

( N + m )!

N!

m!

NCARMA

( N + ny + m )!
( N + ny )! m !

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

11

Embora os modelos de Volterra e NCARMA possam apresentar um nmero bastante

elevado de termos comum a aplicao de tcnicas de reduo de modelo ao longo do
procedimento de identificao visando empregar apenas aqueles termos que sejam mais
relevantes em relao s caractersticas de interesse do processo (Aguirre, 2000).

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

12

6.3 IDENTIFICAO DE SISTEMAS NO-LINEARES

A identificao de sistemas busca a representao do comportamento de um
processo atravs de um modelo matemtico independente do conhecimento prvio a
respeito do mesmo. Um procedimento de identificao pode ser dividido em vrias etapas
dentre as quais se destacam: tratamento das medidas, seleo do modelo, determinao da
estrutura, estimao dos parmetros, validao do modelo como ilustrado na Figura 6.7.
Anlise , filtragem e/ou
obteno de novos dados

Inicializao

Seleo do sinal de
entrada e perodo de
amostragem

Seleo de
Modelo

Sim

No

Sinal de
entrada e Ts
adequados ?

No

Determinao
da Estrutura

Sim

Seleo do nmero
de termos , grau de
no-linearidade , etc .

Estimao dos
Parmetros

Sim

Tipo de
modelo
adequado ?

No

Estrutura
adequada ?

No

Validao do
Modelo

Modelo
estimado
adequado ?

Sim

Parmetros
adequados ?

No

Sim

Aplicao do
Modelo

Figura 6.7 Diagrama do Protocolo de Identificao.

O sinal empregado na identificao do sistema deve ser capaz de excit-lo em toda
a faixa de interesse pois, caso contrrio, estas caractersticas no so registradas e,
portanto, o modelo identificado no capaz de represent-las. Sinais de entrada com
excitao persistente possibilitam um melhor condicionamento numrico nos problemas de
estimao que aplicam a tcnica dos mnimos.
Enquanto que na identificao de sistemas lineares a caracterstica do sinal de
entrada mais importante o contedo de freqncias no seu espectro, para sistemas no-

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

13

lineares destaca-se tambm a amplitude do sinal que deve ser capaz de fazer o sistema
operar em toda a faixa de operao de interesse fazendo-o revelar as suas caractersticas
no-lineares. Na prtica, sinais do tipo rudo branco (sinal aleatrio cujo espectro tem
potncia em todas as freqncias) e PRBS (Pseudo-Random Binary Signal) so
comumente utilizados tanto na identificao de processos lineares como no-lineares
(Aguirre,2000).
A literatura apresenta diversas tcnicas de identificao para sistemas lineares,
representados por equaes a diferenas, sendo as mais populares aquelas baseadas no
algoritmo dos mnimos quadrados (MQ).

6.4 SELEO DO MODELO

Os modelos matemticos mais comuns para a representao de um processo
dinmico esto apresentados no captulo 2 e cada um possui caractersticas distintas que
devem ser levadas em conta na seleo. Para escolher o modelo mais adequado para uma
aplicao particular deve-se considerar sua capacidade de representar as caractersticas da
planta sem, no entanto, desconsiderar que a simplicidade do modelo est diretamente
relacionada ao esforo computacional envolvido sendo, portanto, um fator fundamental
para uma implementao em tempo-real. Na prtica, o modelo escolhido , em geral, o
mais simples possvel capaz de atender aos requisitos operacionais estabelecendo um
compromisso entre capacidade de aproximao x simplicidade de representao.
A Figura 6.8 apresenta um diagrama que pode ser usado como uma ferramenta na
seleo de um modelo a ser empregado na representao de um processo no-linear.

14

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Conhecimento do
Processo

Faixa de
operao
limitada ?

No

Sim

Dinmica
rpida e
complexa ?

Teste de
Nolinearidade

No-Linear

Linear

Nolinearidade
Esttica ?

Bilinearidade
inerente ?

No

Modelo
Volterra /
NCARMA

Sim

Sim

Modelo
Hammerstein /
Wiener

No

No

Modelo
Bilinear

Seleo da
estrutura:
m, nu, ny

Seleo da
estrutura:
nu, ny

Tcnicas de
Reduo de
Parmetros

Sim

Processo
estvel ?

No

Parcela Linear

Parcela
No-Linear

Sim

Estrutura da
Planta
desconhecida ?

Estrutura
da NL
conhecida ?

No

Sim

Sim

Modelo
FIR / FSR

Modelo
CARMA /
CARIMA

Seleo de N

Seleo da
estrutura:
d, nA, nB, nC

Equao da
No-Linearidade

No

Pode ser
aproximada por
polinmio ?

No

Modelo
Neural / Nebuloso

Sim

Expanso
Polinomial

Seleo da
estrutura da
rede / base de
regras

Seleo da
ordem da NL: m

Figura 6.8 Diagrama para Seleo de Modelo.

6.4.1 Deteco de No-Linearidade

Uma etapa fundamental na determinao da necessidade de uso de um modelo nolinear na representao da planta a deteco da no-linearidade (NL) do processo. Um
sistema no-linear apresenta uma no-linearidade que pode ser classificada como fraca,

mdia ou forte e um dos seguintes tipos de comportamento apresentados na Tabela 6.3 .

15

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

Tabela 6.3 Comportamento No-Linear.

Tipo de NL

Fraca

Comportamento

Descrio

Resposta Assimtrica

Caracterstica da resposta dependente da

entrada violando o Princpio da Superposio
dos Efeitos.

Gerao de Harmnicas

O sistema sujeito a uma entrada senoidal

produz uma sada no senoidal de mesma
freqncia.

Multiplicidade de Entrada

Uma sada corresponde a mais de uma

entrada em regime permanente.

Estabilidade Dependente da
A estabilidade do sistema depende da
Entrada
amplitude da entrada aplicada.

Mdia

Forte

Multiplicidade de Sada

Uma entrada leva a mais de uma sada em

regime permanente.

Gerao de Sub-harmnicas

O sistema sujeito a uma entrada senoidal

produz uma sada no senoidal de freqncia
menor que a entrada.

Comportamento Catico

O sistema apresenta respostas altamente

irregulares para entradas simples.

Alguns testes comuns permitem a observao de um comportamento no-linear

auxiliando, portanto, na deciso de optar-se por este tipo de representao na seleo de
um modelo.

Simetria e Dependncia de Amplitude da Entrada

Estes testes permitem confrontar os comportamentos linear x no-linear cobrindo a
maioria dos processos no-lineares.

Teste de Simetria representa o mais comum dos testes de no-linearidade, consiste

na aplicao de entradas simtricas ao sistema e a conseqente observao da sada.

Exemplo 6.6 - O comportamento do sistema representado pela equao (6.16) ilustrado

pela Figura 6.9 com a aplicao de degraus de entrada com valores u(t) = +3; +1; -1 e -3.

y (t ) = 0.8 y (t 1) 0.3 y (t 1) sen ( y (t 1) ) + u (t 1)

(6.16)

16

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

15

10
u(t) = +3
5

a
d
a
s

u(t) = +1

-5

u(t) = -1

-10
u(t) = -3
-15

10

20

30

40

50
tempo

60

70

80

90

100

Figura 6.9 Teste de Simetria.

O comportamento do sistema, ilustrado na Figura 6.9, apresenta-se bastante
assimtrico em relao s entradas aplicadas caracterizando de forma bastante acentuada
este tipo de no-linearidade. Embora seja um teste bastante popular a caracterstica de
simetria uma condio apenas necessria para indicar a linearidade de um sistema, ou
seja, mesmo um sistema no-linear pode apresentar um comportamento simtrico dentro de
uma faixa de operao restrita e, neste caso, outros testes se fazem necessrios.

Teste de Dependncia de Amplitude consiste na aplicao de entradas em degraus

de amplitudes crescentes e a observao da sada. Caractersticas dinmicas e at de
estabilidade de um sistema no-linear podem ser dependentes da amplitude da entrada
aplicada.

Exemplo 6.7 - A Figura 6.10 ilustra o comportamento de um sistema representado pela

equao (6.17) sujeita aplicao de degraus de entrada com valores u(t) = 4.2k, k = 1 a 5.
y (t ) = 0.8 y (t 1) + 0.2 y 2 (t 1) + 0.2u (t 1)

(6.17)

17

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

5
4.5
4
3.5
3
a
d
a
s

2.5
2
1.5
1
0.5
0

10

20

30

40

50
tempo

60

70

80

90

100

Figura 6.10 Teste de Dependncia de Amplitude da Entrada.

Observa-se que o comportamento dinmico do sistema varia em funo da
amplitude do sinal de entrada e, a partir da entrada u(t) = 21, torna-se instvel.

Entradas Peridicas
Atravs de uma anlise do comportamento do sistema sujeito a uma entrada
peridica possvel observar comportamentos no-lineares do tipo gerao de harmnicas
ou sub-harmnicas.

Exemplo 6.8 - A equao (6.18) representa um sistema com uma no-linearidade do tipo
seno na entrada

y (t ) = 0.9 y (t 1) + 0.1sen ( 2 u (t 1) )

(6.18)

e a Figura 6.11 representa a relao entrada x sada para este sistema onde a entrada um
sinal senoidal e a sada um sinal no-senoidal de mesma freqncia que a entrada
caracterizando um comportamento no-linear com gerao de harmnicas.

18

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

1
entrada

0.8
0.6
0.4
0.2
a
d
a
s

0
-0.2
-0.4
sada

-0.6
-0.8
-1

10

20

30

40

50
tempo

60

70

80

90

100

Figura 6.11 Teste de Entradas Peridicas.

Os modelos de Wiener e Hammerstein/ mostram-se adequados na representao das
no-linearidades descritas como fracas na Tabela 6.3, pois so capazes de reproduzir os
comportamentos caractersticos deste tipo de no-linearidade.
Embora a anlise do comportamento do processo indique a necessidade de
utilizao de um modelo no-linear, restries do ponto de vista da aplicao em temporeal podem conduzir o usurio para outras solues como, por exemplo, o emprego de
mltiplos modelos lineares levando em conta faixas de operao mais restritas ou, ainda, o
uso de um nico modelo linear pode ser suficiente para aplicaes em controle de
processos quando empregado algum tipo de estratgia adaptativa .

CAPTULO 7 -MODELAGEM E IDENTIFICAO DE SISTEMAS NO-LINEARES

19

6.5 SELEO DE ESTRUTURA

Existem diversos critrios para a seleo de ordem de modelos lineares
monovariveis como aqueles baseados na razo entre determinantes, critrio de informao
de Akaike (AIC Akaikes Information Criterion), critrio do erro de predio final (FPE
Final Prediction Criterion). No entanto, quando o sistema no-linear so poucas as
ferramentas para auxiliar nesta etapa. Aguirre (2000) prope a aplicao da taxa de
reduo do erro, ERR (Error Reduction Ratio), aplicadas a modelos NCARMA. Esta
estratgia permite a deteco de quais parcelas do modelo so mais relevantes para serem
includas e quais podem ser consideradas desprezveis.

OBS:
Este texto foi compilado utilizando parte dos captulos 2 e 3 da Tese de Doutorado de Jose
Eli Santos dos Santos .
A tese est no endereo: http://www.das.ufsc.br/~santos/Tese/