Nesta se¸c˜ao foram ilustrados v´arios problemas intr´ınsecos `as metodologias de estima- ¸c˜ao de parˆametros variantes no tempo. Foi visto, por exemplo, como o ru´ıdo e a escolha emp´ırica ou subjetiva de vari´aveis de projeto podem interferir negativamente no processo de rastreamento dos parˆametros e na determina¸c˜ao de pontos de mudan¸cas no padr˜ao dinˆamico do sistema em estudo. Observou-se tamb´em que parˆametros que variam a taxas diferenciadas podem causar interferˆencia m´utua.
5.3
N˜ao-Estacionariedade × N˜ao-Linearidade
Deseja-se investigar nesta se¸c˜ao, a possibilidade de se diferenciar n˜ao-estacionariedade de n˜ao-linearidade por meio das metodologias abordadas no Cap´ıtulo 4. Pode-se fazer o racioc´ınio inverso, questionando a possibildade dessas metodologias disting¨uirem n˜ao- linearidades de n˜ao-estacionariedades.
O cen´ario de testes apresentado em seguida ´e semelhante ao cen´ario considerado na introdu¸c˜ao deste cap´ıtulo mas dentro de uma perspectiva diferente, ou seja, confrontando- se n˜ao-linearidade com n˜ao-estacionariedade. Um modelo NARX com parˆametros fixos ser´a usado para gerar uma s´erie temporal e em seguida um modelo ARX com parˆametros vari´aveis ´e considerado para identifica¸c˜ao de seus parˆametros a partir da s´erie temporal mencionada.
Vˆe-se em seguida o modelo polinomial NARX usado para gerar uma s´erie temporal:
y1(k) = 0,5y1(k − 1)y1(k − 1) − 0,3u(k − 1), (5.14)
em que a entrada u(k) ser´a definida oportunamente nos casos a serem analisados. Vˆe- se que o padr˜ao dinˆamico n˜ao-linear desse processo ´e invariante no tempo ao definir-se seus parˆametros com valores constantes. Foi gerada uma s´erie temporal, y1, com 600
observa¸c˜oes.
O modelo ARX abaixo foi escolhido admitindo-se que o mesmo seja capaz de repro- duzir o mesmo padr˜ao dinˆamico do processo expresso na equa¸c˜ao (5.14):
y2(k) = a(1,k)y2(k − 1) + b(1,k)u(k − 1), (5.15)
(equa¸c˜ao (5.14)), ou seja, a s´erie temporal y2 ser´a feita igual `a s´erie y1. Sabe-se que os
valores originais desses coeficientes quando compara-se essa equa¸c˜ao com a equa¸c˜ao (5.14) s˜ao: a(1,k) = 0,5y1(k − 1) e b(1,k) = −0,3.
Segue-se nas pr´oximas se¸c˜oes, a an´alise de dois casos montados a partir do cen´ario descrito acima.
5.3.1 Caso I: Sinal de Entrada Pseudo-Aleat´orio
O sinal de entrada, u(k), dos sistemas das equa¸c˜oes (5.14) e (5.15), foi definido como:
u(k) = −0,5 + prbs(600,10,2), (5.16)
em que o sinal pseudo-aleat´orio possui n´ıveis +0,5 e −0,5, 10 bits e seq¨uˆencia de compri- mento igual a 2.
Aplicando-se a metodologia TV-OPS, o crit´erio AICm sugeriu o uso de 15 fun¸c˜oes de Legendre e 1 de Walsh. A Figura 5.11 mostra os parˆametros do modelo linear ARX definido na equa¸c˜ao (5.15), a(1,k) e b(1,k).
Pode-se observar que o parˆametro a(1,k) estimado para o modelo da equa¸c˜ao (5.15) tende a acompanhar a m´edia dos valores originais, comportamento que j´a foi observado na Se¸c˜ao 5.1.2. O parˆametro b(1,k) foi estimado satisfatoriamente. Embora os valores rastreados possam ser considerados praticamente constantes em uma eventual aplica¸c˜ao, a quantidade de fun¸c˜oes base escolhida indicaria uma poss´ıvel n˜ao-estacionariedade.
Testes realizados com a metodologia RLSVFF mostraram resultados muito semelhan- tes no que diz respeito aos parˆametros estimados a(1,k) e b(1,k), e os respectivos gr´aficos n˜ao ser˜ao apresentados. Ainda com rela¸c˜ao `a metodologia RLSVFF, a Figura 5.12 mos- tra os gr´aficos do erro de predi¸c˜ao estendido, Q(k), e do fator de esquecimento vari´avel, λ(k). Pode-se verificar que a vari´avel Q(k) mostra uma varia¸c˜ao uniforme e n˜ao permite se concluir corretamente a respeito da n˜ao-estacionariedade. Por outro lado, o fator de esquecimento varia constantemente em torno do valor m´edio igual a 0,85, o que pode in- dicar uma varia¸c˜ao uniforme dos parˆametros, o que de fato ´e verdadeiro para o parˆametro a(1,k).
5.3 N˜ao-Estacionariedade × N˜ao-Linearidade 97 0 20 40 60 80 100 120 140 160 −0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5 k Parâmetros
Figura 5.11: Gr´afico que mostra os parˆametros originais e estimados, a(1,k) e b(1,k), do modelo ARX definido na equa¸c˜ao (5.15), por meio do m´etodo TV-OPS. Empregou-se 15 fun¸c˜oes de
Legendre e 1 de Walsh na expans˜ao dos parˆametros. (—) parˆametros do sistema n˜ao-linear
NARX da equa¸c˜ao (5.14); (· · · ) parˆametros a(1,k) e b(1,k) estimados; (-.-) parˆametro a(1,k) original.
5.3.2 Caso II: Sinal de Entrada Suave e Determin´ıstico
Neste caso foi definido um sinal de entrada mais suave para os sistemas das equa¸c˜oes (5.14) e (5.15), tal como:
u(k) = 0,4 sen(2πf1k) + 0,5 sen(2πf2k), (5.17)
em que f1 = 3001 Hz e f2 = 2001 Hz.
Para o m´etodo TV-OPS, o crit´erio AICm sugeriu 23 fun¸c˜oes de Legendre e 16 de Walsh para expans˜ao dos coeficientes da equa¸c˜ao (5.15), cuja entrada u(k) ´e definida na equa¸c˜ao (5.17). A Figura 5.13 mostra os resultados do rastreamento dos parˆametros.
Vˆe-se que, tanto pelas m´ultiplas fun¸c˜oes base sugeridas pelo crit´erio AICm quanto pela varia¸c˜ao dos parˆametros estimados, se poderia sugerir alguma varia¸c˜ao do regime dinˆamico do sistema em estudo.
0 100 200 300 400 500 600 10−8 10−6 10−4 10−2 Erro, 10log[Q(k)] (a) 0 100 200 300 400 500 600 0 0.2 0.4 0.6 0.8 1 Fator, lambda(k) k (b)
Figura 5.12: Gr´aficos que mostram as varia¸c˜oes do erro de predi¸c˜ao estendido, Q(k), e do fator de
esquecimento vari´avel, λ(k), na estima¸c˜ao dos parˆametros do modelo ARX definido na
equa¸c˜ao (5.15), por meio do m´etodo RLSVFF. Representam a m´edia de 100 realiza¸c˜oes Monte Carlo. (a) Erro de predi¸c˜ao estendido, Q(k). (b) Fator de esquecimento vari´avel, λ(k).
5.3.3 Discuss˜ao
Nesta se¸c˜ao questionou-se a possibildade das metodologias de modelagem de sistemas variantes no tempo, apresentadas no Cap´ıtulo 4, disting¨uirem n˜ao-linearidades de n˜ao- estacionariedades.
Os resultados dos exemplos apresentados sugeriram que pode-se concluir sobre a n˜ao- estacionariedade de um determinado processo em detrimento de n˜ao-linearidades n˜ao observadas. Nos cen´arios estudados, as m´ultiplas fun¸c˜oes base sugeridas pelo crit´erio AICm do m´etodo TV-OPS e a varia¸c˜ao dos pr´oprios parˆametros estimados refor¸cam essa hip´otese.
O problema parece se apresentar como uma quest˜ao de erro na estrutura, juntando-se a esta as observa¸c˜oes j´a feitas na introdu¸c˜ao deste cap´ıtulo. Nesse sentido, se a estrutura do modelo n˜ao representar bem as n˜ao-linearidades presentes no sistema, ´e poss´ıvel se confundir n˜ao-linearidade com n˜ao-estacionariedade.
5.4 Conclus˜oes 99