DE SISTEMAS H

ALGORITMO PARA IDENTIFICAC

AO
IBRIDOS PWA NO
ESPACO
DE ESTADOS
o Yoshiyuki Ishihara, Geovany Arau
jo Borges
Renato Vilela Lopes, Joa

Universidade de Braslia, Faculdade UnB Gama

Braslia, DF, Brasil

Universidade de Braslia, Laborat

orio de Automac
ao e Rob
otica (LARA)
Braslia, DF, Brasil
Emails: rvlopes@unb.br, ishihara@ene.unb.br, gaborges@unb.br

Abstract This paper addresses the identification problem of a class of hybrid dynamic systems known as
piecewise affine state space systems. The methodology proposed extended a clustering methodology, initially
restricted to the identification of switched linear state space systems, to piecewise affine state space systems.
The main contributions of the algorithm is not need for a high number of switching between different modes of
the system and the possibility of considering systems under the action of colored noise. The efficiency of the
algorithm was illustrated by simulation examples.
Systems Identification, Hybrid Systems, Piecewise, State-Space

Keywords

Resumo Este artigo endereca o problema de identificaca

o de uma classe de sistemas din
amicos hbridos
conhecida como sistemas hbridos com modelos afins por partes descritos no espaco de estado. A abordagem
proposta estendeu uma metodologia baseada em clustering, inicialmente restrita a identificaca
o de sistemas chaveados lineares, para sistemas hbridos com modelos afins por partes. As principais contribuico
es do algoritmo
s
ao a n
ao necessidade de um n
umero elevado de chaveamentos entre os diferentes modos do sistema e a possibilidade de considerar sistemas sujeitos a aca
o de rudo colorido. A efici
encia do algoritmo proposto foi ilustrada
atrav
es de exemplos de simulaca
o.
Palavras-chave

Identificaca
o de Sistemas, Sistemas Hbridos, Afim por partes, Espaco de Estados

Introdu
c
ao

Sistemas dinamicos hbridos denotam uma classe

de sistemas din
amicos cujo comportamento e definido atraves da interacao de din
amicas contnuas
e discretas. Nas u
ltimas decadas tem aumentado
o interesse nesses sistemas devido, principalmente,
a possibilidade de serem utilizados para descrever
fenomenos reais que exibem descontinuidades ou
aproximar din
amicas complexas, lineares ou n
aolineares, atraves da concatenacao de modelos lineares mais simples (Paoletti et al., 2007).
Neste contexto, destaca-se uma classe especial de sistemas hbridos conhecida na literatura
como sistemas hbridos com modelos afins por partes (PWA, do ingles Piecewise Affine). Esses sao
obtidos pelo particionamento do conjunto de entradas e estados em regi
oes poliedricas e considerando os subsistemas lineares/afins que compartilham os mesmos estados contnuos em cada
regiao (Bemporad et al., 2005). Esses sistemas
apresentam uma atrativa estrutura de modelo que
permite aproximar din
amicas n
ao-lineares gerais
com uma precisao arbitraria (Canty et al., 2012)
e possuem equivalencia com diversas classes de
sistemas hbridos, como, por exemplo, MDL (do
ingles Mixed Logical Dynamical ), LC (do ingles
Linear Complementary) e Max-Min-Plus-Scaling
(MMPS) (Heemels et al., 2001).
Desta forma, a identificacao de sistemas PWA
e importante para a estimacao de modelos hbridos a partir dos dados de entrada e sada do pro-

cesso (Barbosa et al., 2011). Contudo, o problema

de identificacao destes sistemas e desafiador uma
vez que os par
ametros dos submodelos contnuos,
o estado discreto e os hiperplanos que definem a
particao do conjunto de estado e entrada sao desconhecidos.
A maioria das contribuicoes existentes focam
na identificacao de sistemas PWA com modelos descritos na forma de entrada-sada (FerrariTrecate et al., 2003), (Paoletti et al., 2007)
(Bemporad et al., 2005), (Barbosa et al., 2011),
(Canty et al., 2012). No entanto, essas abordagens
sao restritas a sistemas com uma entrada e uma
sada (SISO) ou, em alguns casos, a sistemas com
m
ultiplas entradas e uma u
nica sada (MISO).
Adicionalmente, embora os modelos na forma de
entrada-sada possam ser utilizados para descrever sistemas dinamicos, os modelos no espaco de
estados sao mais convenientes para descrever sistemas com M
ultiplas-Entradas e M
ultiplas-Sadas
(MIMO), pois proporcionam uma representacao
mais compacta e os principais desenvolvimentos
teoricos em observabilidade e controlabilidade est
ao estabelecidos com base neste tipo de modelo.
Contudo, o problema de identificacao hbrida
com modelos representados no espaco de estados e
sensivelmente mais difcil quando comparado com
a identificacao de modelos na forma de entradasada por dois motivos. Primeiro, o estado contnuo e, geralmente, desconhecido. Assim, o vetor de regressao n
ao est
a totalmente disponvel e
o particionamento direto do espaco de entrada-

estado e uma tarefa muito mais complicada (Bako

et al., 2009). Segundo, as matrizes dos diferentes
submodelos n
ao podem ser diretamente combinadas, pois, em geral, sao identificadas em bases de
estados diferentes. Assim, e necessario transformar todos os submodelos para a mesma base de
estados (Verdult and Verhaegen, 2004).
Diferentes autores j
a abordaram o problema
de identificacao de sistemas hbridos no espaco de
estados (Pekpe et al., 2004), (Verdult and Verhaegen, 2004), (Borges, 2007), (Bako et al., 2009),
(Lopes et al., 2013a), (Lopes et al., 2013b). No entanto, esses trabalhos consideram uma sub-classe
especial de sistemas PWA, conhecida como sistemas dinamicos lineares chaveados onde os termos
afins sao desprezados.
Ao melhor conhecimento dos autores, o u
nico
trabalho a abordar a identificacao de sistemas
PWA no espaco de estados foi publicado em
(Borges, 2007). A abordagem desenvolvida e baseada na deteccao das variacoes dos subespacos
lineares nos momentos em que ocorrem transicoes
entre os modos do sistema. Contudo, esta abordagem requer um n
umero suficientemente grande de
transicoes entre os diferentes modos para que seja
possvel representar todas as matrizes dos submodelos na mesma base de estados.
A principal contribuicao deste artigo e o desenvolvimento de uma nova abordagem para identificacao de sistemas hbridos MIMO do tipo PWA
no espaco de estados que n
ao necessita de um
n
umero elevado de chaveamentos entre diferentes
modos do sistema. A metodologia proposta utiliza a abordagem baseada em clustering proposta
em (Lopes et al., 2013a), mas estende este trabalho de tres maneiras. Primeiro, a utilizacao de
uma adaptacao do algoritmo de identificacao em
subespacos PO-MOESP (Verhaegen, 1994) permite a identificacao de sistemas do tipo PWA. Segundo, os rudos de processo e medida que afetam
o sistema podem ser considerados coloridos. Finalmente, as ordens dos modelos locais n
ao sao
consideradas conhecidas a priori.
O presente artigo est
a organizado da seguinte
maneira. A Secao 2 define matematicamente os
sistemas PWA e formula o problema de identificacao. A Secao 3 apresenta algoritmo de identificacao e os fundamentos b
asicos envolvidos. Os
resultados de simulacao sao apresentados na Secao 4 e as principais conclusoes deste trabalho sao
apresentadas na Secao 5.
2
2.1

Caracteriza
c
ao do Problema

Sistemas PWA

Segundo (Heemels et al., 2001), um modelo PWA

no espaco de estados pode ser descrito como:
x(k + 1)=Ami x(k)+Bmi u(k)+fmi ,
y(k) = Cmi x(k)+Dmi u(k)+gmi ,

(1)

em que os vetores x(k) Rn , u(k) Rnu e

y(k) Rny sao, respectivamente, os estados contnuos, as entradas e sadas do sistema e n e a ordem
dos modelos. As matrizes/vetores Ami , Bmi , Cmi ,
Dmi , fmi gmi tem dimensoes apropriadas e descrevem as dinamicas afins dos sistemas locais. A
funcao mi M , {1, 2, . . . , M}, sendo M o n
umero de submodelos, refere-se ao estado discreto
e e usada para relacionar a dinamica do i-esimo
modo local `a respectiva regiao poliedrica no espaco de entrada-estado Pi . Ou seja, mi e funcao
da entrada u(k) e do estado x(k) do sistema no
instante de tempo k, e e definida como,

1 se (u(k), x(k)) P1 ,

2 se (u(k), x(k)) P2 ,
mi (u(k), x(k)) :=
(2)
..

M se (u(k), x(k)) PM .
As particoes Pi Rnu Rn do espaco de
entrada-estado sao definidas da seguinte forma,
M
[

Pi = Rnu Rn ,

e Pi Pj = para i 6= j.

i=1

Essa formulacao e baseada no particionamento do espaco de entrada-estado e requer explicitamente a estimacao do vetor de estados x(k)
a todo instante de tempo k. Como forma de evitar
esta tarefa, neste trabalho foi adotada uma formulacao alternativa de sistemas PWA proposta por
(Borges, 2007). Nesta formulacao, os modelos locais sao combinados utilizando um vetor de pesos,
ou um sinal de chaveamento, que determina qual
modelo local est
a ativo no instante de tempo k,
com a restricao que somente um modo est
a ativo
a cada instante de tempo. Este sinal de chaveamento, pi , e definido como,
pi (k) {0, 1} e

M
X

pi (k) = 1.

(3)

i=1

Assim, o sistema (1) pode ser reescrito como,

x(k + 1) =

M
X

pi (k) (Ai x(k) + Bi u(k) + fi ) + w(k),

M
X

pi (k) (Ci xk + Di uk + gi ) + v(k),

i=1

y(k) =

(4)

i=1

em que i M , {1, 2, . . . , M} e wk Rn e vk
Rny , sao termos de rudo de processo e medida,
respectivamente, e podem ser considerados como
seq
uencias de rudo branco ou colorido.
Segundo Borges (2007), esta formulacao evita
a necessidade de estimacao explicita do vetor de
estados e o particionamento como uma funcao do
espaco de entrada-estado.
2.2

Definic
ao do Problema

Assumindo-se que o conjunto de dados S =

N
{(u(k), y(k))}k=1 e gerado pelo sistema (4), devese determinar: 1) O n
umero de submodelos M ;

2) A ordem n dos modelos locais; 3) Uma realii , Ci , D

i , fi , gi ) de cada modelo local;
zacao (Ai , B
4) Estimativas das funcoes de chaveamento pi ;
Este problema sera resolvido assumindo-se
que: 1) Somente um modelo local est
a ativo a
cada instante de tempo; 2) O sistema permanece
em cada modo por pelo menos um mnimo perodo de tempo. Esse tempo e referido na literatura como tempo de permanencia (dwell time dwell ); 3) Cada um dos modos e persistentemente
excitado pela seq
uencia de entrada u(k); 4) Cada
modelo local e assumido ser observ
avel, est
avel e
controlavel.
3

N/W

nos conjuntos de dados {Dj }j=1 , de forma que

Dj = {(u(q), y(q)), q Tj }.
3.2

Fase 2 - Identificac
ao dos Modelos Locais

Nesta fase e realizada a identificacao parcial dos

modelos locais. Para cada conjunto de dados Dj
e identificado um modelo j atraves de uma tecnica de identificacao de sistemas. Cada modelo
identificado constituir
a uma observacao que sera
enviada ao algoritmo de cluster para segmentacao.
Neste trabalho, e proposto o seguinte vetor para
representar cada um dos modelos identificados:

Algoritmo de Identifica
c
ao
j =vec

Em (Lopes et al., 2013a), os autores apresentaram uma nova abordagem baseada em clustering
para identificacao de sistemas hbridos no espaco
de estados. Esta abordagem explora o uso de tecnicas de identificacao em subespacos, clustering e
classificacao de dados para estimar a quantidade e
as matrizes dos submodelos e os instantes de chaveamento do sistema. Contudo, esta abordagem
e restrita a sistemas din
amicos chaveados lineares
e com rudo de processo e medida considerados
como uma seq
uencia de rudo branco. Adicionalmente, na abordagem apresentada as ordens dos
modelos locais sao assumidas conhecidas a priori.
No entanto, com a formulacao alternativa de
sistemas do tipo PWA apresentada na equacao
(4) e possvel estender esta abordagem tambem
para a identificacao de sistemas PWA. Para isso, a
tecnica de identificacao em subespacos utilizada e
substituda por uma adaptacao do algoritmo POMOESP. Esta metodologia de identificacao permite ainda o tratamento de sistemas corrompidos
com rudos colorido. Para a estimacao das ordens dos modelos locais e utilizado um algoritmo
desenvolvido por (Garca-Hiernaux et al., 2012).
Este algoritmo apresenta bons resultados mesmo
quando a quantidade de dados utilizada no processo de identificacao e reduzida. A abordagem
proposta e composta de cinco fases que serao detalhadas nos proximos t
opicos deste artigo.
3.1

Fase 1 - Segmentac
ao dos Dados

Nesta fase e realizada a formacao de pequenos conjuntos de dados que serao utilizados para a identificacao dos modelos locais. Esses sao formados
pela divisao do conjunto total de dados em conjuntos sequencias menores.
Para isso, considere que o conjunto total de
dados amostrados e representado pelo conjunto
S = {(u(k), y(k)) : k T } para um horizonte de
tempo T = {k}N
e dividido em
k=1 . O conjunto T
N/W
conjuntos seq
uenciais menores {Tj }j=1 contendo
W elementos, de forma que, Tj Tq = , j 6= q.
Os ndices de tempo em cada um dos conjuntos Tj sao utilizados para formacao dos peque-

h

Cj Ajp2 Bj Cj Bj Dj Cj fj fjT Bj gj

i

, (5)

em que j Rny nu (p+1)+ny1 , vec() e o operador de vetorizacao e p o par

ametro que define a
quantidade de par
ametros de Markov utilizado na
representacao do sistema.
Observe que, a estrutura do vetor proposto em
(5) possibilita a estimacao de sistemas de diferentes ordens mantendo a mesma dimensao do vetor
j . Isso e fundamental para estrutura de identificacao proposta, uma vez que n
ao existe garantias
que o algoritmo de estimacao de ordem ir
a estimar
sistemas de mesma ordem.
Neste trabalho, para a identificacao dos modelos locais sera utilizado um algoritmo proposto
por (Borges, 2007). Este algoritmo e uma adaptacao do algoritmo PO-MOESP proposto por
(Verhaegen, 1994) e permite a identificacao de sistemas PWA e o tratamento de rudo de processo
e medida colorido. A seguir sera realizada uma
breve descricao, sem provas, desta metodologia.
Para maiores detalhes deve-se consultar o trabalho original.
3.2.1

Algoritmo PO-MOESP
para sistemas PWA

adaptado

O sistema (4) pode ser re-escrito utilizando a representacao na forma de inovacoes,

x(k + 1) =

M
X

pi (k) (Ai x(k) + Bi u(k) + fi ) + Ki e(k),

M
X

pi (k) (Ci xk + Di uk + gi ) + e(k),

i=1

y(k) =

(6)

i=1

em que Ki e o ganho de Kalman para o i-esimo

modo do sistema e e(k) e o termo de inovacao.
Considerando um conjunto de Nw sadas produzidas por um u
nico modelo i (ou, seja, nenhum
chaveamento ocorreu no sistema), as sadas do sistema em (6) podem ser combinadas em uma forma
matricial mais compacta
Yk0 ,s,Nw

=
+

k0 ,s,Nw +
k0 ,s U
k0 ,s Xk0 ,Nw +
(7)
k0 ,s Ek0 ,s,Nw ,

em que, as matrizes que utilizam a notacao

()k0 ,s,Nw tem uma estrutura comum e sao normalmente chamadas de matrizes de bloco Hankel.
O sub-escrito k0 denota o instante de tempo da
entrada superior esquerda da matriz, Nw e o n
umero de colunas e s Nw o n
umero de linhas.
As matrizes de Hankel sao definidas da seguinte
maneira:
y(k0 )
y(k0+1) y(k0+Nw1)
y(k0 +1) y(k0+2) y(k0+Nw )

Yk0 ,s,Nw :=
,
..
..
..
..

.
.
.
.
y(k0+s 1) y(k0+s) y(k0+Nw+s2)
(8)

com Uk0 ,s,Nw e Ek0 ,s,Nw construdas de forma semelhante mas utilizando os dados de entrada u(k)
e os termos de inovacao e(k), respectivamente, e


1
k0 ,s,Nw :=
U
,
(9)
Uk0 ,s,Nw
em
 que o termo unit
 ario e definido como 1 :=
1 1 1 1 .
A matriz com o vetor de estados e definida
como:
Xk0 ,Nw := diag(x(k0 ), (k0 + 1), . . . , x(k0 + Nw 1)). (10)

Iny
0
(k0 , k0 +1)
Iny

k0 ,s := (k0 , k0 +2) (k0 +1, k0 +2)

..
..

.
.
(k0 , k0+s1) (k0 +1, k0 +s)

0
0

..
..
. .
,

..
. Iny
Iny

(11)

em que,
M
X

(t, k):=

i=1

pi (k)Ci

k1
Y

M
X

=t+1 j=1

pj ( )Aj pi (t)Ki .

(12)

A matriz de observabilidade k0 ,s e definida

da seguinte forma:
k0 ,s :=

em que

Tk0 ,k0 Tk0 ,k0 +1 Tk0 ,k0 +s1

(k0 , k) :=

M
X
i=1

pi (k)Ci

k1
Y

M
X

=k0 =1

T

p ()A .

onde,

(14)

Ok0 ,s

k0 ,s

(15)

Ok0 ,s=

=t+1 j=1

gi
Ci fi + gi
Ci (Ai + I)fi + gi
..
.
P

s2
j
Ci
j=k0 (Ai ) + I fi + gi

1.

(17)

Q1
0
0 Q2 ,
Q3
R33

0
R22
R32

(18)

em que Zk,s,Nw e a matriz de variaveis

instrumentais e definida como Zk,s,Nw :=
T
T
[Uk,s,N
Yk,s,N
]T .
w
w
As matrizes Ai e Ci podem ser recuperadas
atraves do espaco coluna de R32 . Esse espaco coluna e determinado atraves da seguinte decomposicao em valores singulares,



 S 0

V
, (19)
R32 = U U
V
0 S
em que S e uma matriz diagonal contendo os n
valores singulares dominantes. A determinacao da
ordem do sistema consiste em identificar esses n
valores singulares dominantes. Contudo, esta n
ao
e uma tarefa trivial e sera discutida mais detalhadamente na secao 3.2.3.
Desta forma, uma estimativa das as matrizes
Ai e Ci podem ser obtidas da seguinte forma,
Ci = U(1 : ny , :),
(20)

Ai = (U(1 : (s 1)ny , :)) U(ny + 1 : sny , :), (21)

em que e utilizada a notacao como no Matlab (1 :
ny , :) para se referir as primeiras ny linhas e ()
denota a pseudo-inversa de Moore-Penrose de ().
i , D
i , fi e gi
As estimativas das matrizes B
sao obtidas atraves da resolucao de um conjunto
de equacoes lineares,
= 

Ok,s
k,s

k,s

1
= R21 R11
.

(22)

importante destacar que, esta metodologia

E
permite a identificacao de sistemas dinamicos chaveados lineares. Neste caso, a estimacao Ok,s n
ao
e necessaria.
3.2.2

k1
M
M
Y X
X

pj ( )Aj pi (t)Bi , (16)

(t, k):=
pi (k)Ci
i=1

e,

s,s,Nw
R11
U
Zk,s,Nw = R21
R31
Ys,s,Nw

, (13)

k0 ,s e definido como,
Por fim, o termo
k0 ,s :=

A equacao (7) permite que as matrizes do sistema possam ser estimadas utilizando-se o metodo
PO-MOESP de identificacao em subespacos. Este
metodo inicia-se com o c
alculo da seguinte fatoracao RQ:

Modelos representados na mesma

base de estados

Os modelos locais obtidos atraves do procedimento de identificacao descrito no t

opico anterior
n
ao podem ser combinados diretamente porque foram identificados atraves de uma transformacao
de estados que e diferente para cada modelo local.
Portanto, todos os modelos devem ser transferidos
para a mesma base estados. Assim, o algoritmo de
identificacao descrito anteriormente foi combinado
com uma abordagem proposta em (Bako, Merc`ere
and Lecoeuche, 2009) para manter o controle da
base do estado nas quais as matrizes do sistema

sao calculadas. Esta abordagem utiliza uma transformacao especial que permite a manipulacao do
sistema MIMO em uma base can
onica adequada e
permite escolher a base na qual as matrizes do sistemas sao calculadas. Para maiores detalhes deste
metodo deve-se consultar o artigo (Bako, Merc`ere
and Lecoeuche, 2009) ou (Lopes et al., 2013a).
3.2.3

Estima
c
ao da ordem dos modelos

A metodologia de identificacao em subespacos utilizada neste trabalho permite a estimacao da ordem dos modelos locais atraves da inspecao dos
valores singulares diferentes de zero na equacao
(19). No entanto, quando o sistema est
a corrompido com altos nveis de rudo, ou quando o n
umero de dados amostrados n
ao e suficientemente
grande ou ainda quando o sistema real e n
aolinear, a inspecao desses valores singulares n
ao e
trivial, uma vez que todos os valores singulares sao
diferentes de zero. Nesses casos, deve-se estimar a
ordem do sistema como o n
umero de valores singulares dominantes. O problema e que esses valores
singulares dominantes podem n
ao ser evidentes.
Existe uma extensa literatura de algoritmos
de estimacao de ordem para sistemas dinamicos
lineares no espaco de estados (Garca-Hiernaux
et al., 2012). Segundo (Bauer, 2001), os principais
algoritmos desenvolvidos utilizam a abordagem de
criterio de informacao introduzida por (Akaike,
1969). Esta metodologia consiste em comparar
varios modelos alternativos, equilibrando a capacidade de adaptacao aos dados com uma penalidade de acordo com o tamanho da amostra e uma
medida de complexidade do modelo. Contudo, esses metodos utilizam uma estimativa de maxima
verossimilhanca do sistema para cada valor de ordem. Assim, na pratica, um grande n
umero de
sistemas deve ser estimado usando procedimentos numericos de busca para otimizar a verossimilhanca de cada sistema, elevando a quantidade de
c
alculos a uma quantidade, por vezes, proibitiva.
Para evitar essa quantidade de c
alculos, neste
trabalho optou-se pela abordagem desenvolvida
por (Garca-Hiernaux et al., 2012). Esta metodologia e baseada na informacao contida nos valores singulares estimados do sistema. Segundo
os autores, essa metodologia, chamada de criterio
NIDC, apresenta bons resultados mesmo nas situacoes onde o conjunto de dados e relativamente
pequeno. O criterio NIDC e definido como:
2
N IDC(n) =
n+1
+ H(Nw , s)d(n),

(23)

em que d(n) = 2nnu denota o n

umero de par
ametros do sistema. H(Nw , s) e uma funcao de penalizacao definida como H(Nw , i) = exp2 Nw0.9 s1.5 .

n+1 e o n + 1 valores singulares do sistema.

Em (Garca-Hiernaux et al., 2012), os autores
prop
oem que sejam utilizados os valores singulares
obtidos a partir da decomposicao em valores

singulares da seguinte expressao,

W1 Ys+1,2s,Nw W2 ,
T
T
em que W2 = Y1,s,N
(Y1,s,Nw Y1,s,N
)0.5 e W1 =
w
w
T
(Ys+1,2s,Nw Ys+1,2s,N
)0.5 , sendo que Ys+1,2s,Nw
w
contem os resduos da regressao de Ys+1,2s,Nw sobre Y1,s,Nw .
Neste trabalho, a fim de evitar uma operacao
adicional de decomposicao em valores singulares
utilizou-se os valores singulares obtidos de (19).
Essa modificacao melhorou os resultados da estimacao de ordem para o exemplo considerado neste
artigo.

3.3

Fase 3 - Clustering

Nesta etapa todos os modelos (j ) identificados na

etapa anterior semelhantes sao agrupados. Essa
tarefa e realizada por um algoritmo de clustering
e o n
umero de clusters identificados e igual ao n
umero M de submodelos do sistema. A colecao dos
M
M clusters e denotada por {Cq }q=1 .
Neste trabalho optou-se pelo algoritmo de
Aglomeracao Competitiva Robusta (RCA) proposto por (Frigui and Krishnapuram, 1999) e
mais detalhes sobre esse algoritmo devem ser
consultados no trabalho original ou em (Lopes
et al., 2013a).
3.4

Fase 4 - Atualizac
ao da Segmentac
ao dos
Dados

As duas u
ltimas etapas sao identicas `a abordagem
original proposta por (Lopes et al., 2013a). Nesta
etapa, o objetivo e identificar quais sao os pontos (u(j), y(j)) do conjunto de dados amostrados
S gerados pelo mesmo submodelo. Para isso, sao
utilizadas as informacoes fornecidas pelo RCA que
indica o grau no qual o ponto j pertence ao cluster q. Cada ponto j e atribudo ao cluster no qual
ele apresenta maior grau de pertinencia.
Desta forma, como cada submodelo j corresponde a um subconjunto de dados Dj , a clusterizacao dos submodelos a um mesmo modo q leva a
uma clusterizacao dos subconjuntos de dados que
correspondem ao mesmo modo. Assim, e possvel
criar conjuntos de dados clusterizados correspondentes ao mesmo modo q.
Adicionalmente, este procedimento permite
obter uma estimativa dos instantes de chaveamento do sistema. Essas estimativas sao obtidas
procurando-se, no conjunto de dados S e T , pontos consecutivos que pertencem a modelos locais
diferentes.
3.5

Fase 5 - Identificac
ao Final dos Modelos Locais

Com os dados originais classificados, e possvel realizar uma nova identificacao contendo uma maior

quantidade de dados. Utilizou-se a mesma abordagem de identificacao em subespacos descrita anteriormente para a obtencao dos modelos finais na
forma de espaco de estados.
importante destacar que, as duas u
E
ltimas
etapas do algoritmo se referem `
a identificacao final
dos submodelos. Conforme discutido em (Lopes
et al., 2013b), essas duas etapas podem ser omitidas e as estimativas das matrizes dos modelos
locais do sistema podem ser obtidas a partir dos
centros dos clusters fornecidos pelo algoritmo de
clustering. O resultado, e a obtencao de um algoritmo com 51% de reducao de custo computacional. Contudo, a performance dos algoritmos sao
semelhantes apenas nos cen
arios onde o sistema
est
a sujeito a acao de nveis moderado de rudo
e dinamica de chaveamento lenta. Em cenarios
mais crticos ocorre uma reducao na performance
do algoritmo. Desta forma, neste artigo resolveuse implementar essas duas u
ltimas etapas do algoritmo.
4

Resultados de Simula
co
es

Nesta secao, o algoritmo de identificacao proposto

sera testado empregando um exemplo de simulacao. O sistema hbrido considerado e composto de
tres modelos MIMO de terceira ordem representados por:

0.31 0
0.9 0.7
0.5
0.31 0 , B1= 0.71 0.5 , f1= 1 ,
0 0.18
0.8 0.43
0





0.2 0.8
0 0
0.3
, D1=
,
g1=
.
0.3 0.58
0 0
1

0.32
A1 = 0.32
0

0.55
C1 =
0.45

0.1
A2 = 0.5
0

0.8
C2 =
0.3

0.4 0
0.1
0.4 0 , B2= 0.32
0 0.26
0.3


0.1 0.7
0
, D2=
0.48 0.9
0

A3 = A1 ,

0
f3 = 0.1 ,
1

B3 = B1 ,


2
g3=
.
0.2

0.6
1
0.66 , f2= 0.1 ,
0.82
0



0
0.1
,
g2=
.
0
0.5

C3 = C1 ,

D3 = D1 ,

Nas simulacoes sao gerados 15000 pontos de

dados de u(k) e y(k) que sao utilizados no processo de identificacao dos sistemas. O sinal de
excitacao utilizado e um sinal PRBS (Pseudo
Randon Number) de media zero e variancia unit
aria. A seq
uencia de chaveamento foi definida
de forma que o sistema 1 est
a ativo nos intervalos de [1, 499], [1501, 4005] e [10511, 13000], o sistema 2 entre [500, 1500], [6508, 7300], [9734, 10510]
e [13001, 15000] e o sistema 3 nos intervalos
[4006, 6507] e [7301, 9733]. A Fig. 2 ilustra o sinal
utilizado.
Dois diferentes cen
arios de simulacao foram
considerados. No primeiro, os sistemas est
ao sujeitos somente a acao de rudo branco. Neste cen
ario, considerou-se que o rudo de processo dos

sistemas tem a proporcao sinal rudo igual a SNR

= 40dB. Para o rudo de medicao foram avaliados quatro diferentes nveis de rudo (SNR = 10,
20, 30 e 40dB). No segundo cenario, os nveis de
rudos adicionados foram os mesmos descritos anteriormente, mas considerou-se que tanto o rudo
de processo w(k) quanto o de medicao v(k) adicionados aos sistemas sao sequencias de rudo colorido. A geracao deste tipo de rudo foi realizada
filtrando uma seq
uencia de rudo branco. Para
isto, utilizou-se o seguinte filtro:
v(k) =

q 1 + 0.5q 2
e(k),
1 1.69q 1 + 0.96q 2

(24)

em que, e(k) e uma seq

uencia de rudo branco com
media nula e uma variancia especificada.
Os principais par
ametros necessarios no algoritmo foram ajustados como sugerido em (Lopes
et al., 2013b), com a excess
ao do par
ametro do
algoritmo RCA que foi utilizado uma selecao din
amica onde a cada iteracao seu valor era igual
a uma porcentagem do valor da cardinalidade robusta Ns . No primeiro cenario, esta porcentagem
foi de 12% e no segundo cenario foi igual a 11%.
A avaliacao de desempenho do algoritmo foi
realizada atraves de simulacoes de Monte Carlo
com 100 realizacoes para cada nvel de rudo mencionado. Em cada simulacao era utilizado uma
realizacao diferente do sinal de entrada e sada.
Para avaliar a eficiencia do algoritmo de identificacao observou-se a sua capacidade em detectar corretamente o n
umero de modos, classificar
corretamente os dados amostrados nos diferentes
modos do sistema, estimar corretamente a ordem
dos modelos e a habilidade do modelo estimado
em reconstruir a sada do sistema a partir do sinal de entrada real. Para isso utilizou-se o valor
de VAF (do ingles, Variance-Accounted-For) em
um conjunto de dados diferente do utilizado para
a identificacao. Para essa validacao, utilizou-se
1500 pontos de u(k) e y(k). O valor VAF e definido como (Verdult and Verhaegen, 2004):


var(y(k) y(k))
V AF = max 1
, 0 100%,
var(y(k))

(25)

em que var() denota a variancia de um sinal quasiestacion

ario, y(k) e o sinal de sada do sistema real
e y(k) o sinal de sada obtido atraves da simulacao do sistema identificado. Para fins de analise,
quanto mais proximo de 100% for o valor de VAF
mais proximos est
ao o sinal medido y(k) e o sinal
estimado y(k).
Os resultados obtidos est
ao resumidos nas Tabelas 1 e 2. Esses resultados indicam que o algoritmo apresentado e capaz de identificar os sistemas sujeitos a acao tanto de rudo branco quanto
de rudo colorido. Adicionalmente, e possvel observar que o algoritmo apresenta resultados semelhantes nos dois cenarios simulados. A Fig. 1
reforca esses resultados comparando os p
olos dos
modelos estimados com os p
olos dos modelos reais
para dois diferentes nveis e tipos de rudo.

SNR (dB)
VAF1 (%)
VAF2 (%)
Erro (%)
Sistemas (%)
Ordem 1 (%)
Ordem 2 (%)
Ordem 3 (%)

10
87.73
80.67
1.59
95
85
88
71

20
96.61
92.85
0.37
100
100
99
99

30
98.90
96.76
0.37
100
100
100
100

40
99.54
98.04
0.37
100
100
100
100

SNR (dB)
VAF1 (%)
VAF2 (%)
Erro (%)
Sistemas (%)
Ordem 1 (%)
Ordem 2 (%)
Ordem 3 (%)

10
87.76
79.14
4.13
80
53
55
49

20
96.91
92.85
0.37
100
94
95
81

(a) Rudo Branco SNR = 20dB

0.5

0.5

0.5
0.5

0.5

(c) Rudo Branco SNR = 30dB

0.5

30
98.89
96.72
0.38
100
100
100
97

40
99.54
98.03
0.37
100
100
100
100

(b) Rudo Colorido SNR = 20dB

0.5
0.5

0.5

0.5

(d) Rudo Colorido SNR = 30dB

0.5
0.5

0.5

0.5
0.5

0.5

Figura 1: P
olos estimados dos sistemas no plano complexo
para 100 simulaco
es.
3

Modo do Sistema

Modo Real
Modo Estimado

1
0

5000

10000

15000

Amostra

Figura 2: Tpico resultado para a estimaca

o dos modos.
Neste caso, o erro na estimaca
o foi de 0.37%.

Sada 1

Tabela 1: Desempenho do algoritmo quando os sistemas est

ao sujeitos somente a aca
o de rudo branco. Aqui, o termo
VAF1 (%) e VAF2 (%) indicam o c
alculo do valor de VAF
para as duas sadas do sistema. Erro (%) representa a porcentagem de erro na classificaca
o dos dados amostrados
nos diferentes modos do sistema. O termo Sistemas (%)
indica o n
umero de vezes que o algoritmo identificou corretamente o n
umero de modos do sistema. Por fim, Ordem
X (%) indica o n
umero de vezes que o algoritmo estimou
corretamente a ordem do sistema X.

Tabela 2: Desempenho do algoritmo para cen

ario onde os
sistemas est
ao sujeitos a aca
o de rudo colorido.

0
Estimada
Real

5
0

50

100

150
Amostra

200

250

300

200

250

300

Sada 2

A Fig. 2 ilustra um resultado tpico para a estimacao dos instantes de chaveamento do sistema,
enquanto que a Fig. 3 sugere que o modelo estimado e capaz de reconstruir de maneira eficiente
o sinal de sada real. Com relacao a estimacao
da ordem dos sistemas, observa-se bons resultados
para nveis moderados de rudo. Contudo, mesmo
nos casos onde a ordem n
ao foi corretamente estimada, os sistemas identificados conseguem reconstruir adequadamente o sinal de sada real do
sistema.
Nos resultados apresentados observa-se que o
algoritmo consegue identificar o n
umero correto
de modos na maior parte das simulacoes. A excecao ocorre quando o nvel de rudo adicionado
ao sistema e muito elevado (SNR = 10dB). Neste
caso, o problema na identificacao ocorre devido `a
estimacao de ordem dos sistemas. Na fase 2 do
algoritmo, como a quantidade de dados utilizados na identificacao e pequena e o nvel de rudo
e muito elevado o algoritmo de estimacao de ordem n
ao apresenta bons resultados. Com efeito,
observa-se uma maior dispersao nos vetores j e
isso prejudica a performance do algoritmo de clustering. Desta forma, quando o nvel de rudo do
sistema e muito elevado, recomenda-se que a ordem dos modelos seja fixada na Fase 2 do algoritmo de identificacao. O objetivo e reduzir a dispersao dos vetores j . Contudo, como o valor da
ordem e, a priori, desconhecido, deve-se especificar
um valor que seja maior que a ordem esperada do
sistema. Na fase 5 do algoritmo, como uma quantidade maior de dados e utilizada para a identificacao final dos modelos locais pode-se utilizar o
algoritmo para estimar a ordem real dos sistemas.
Para comprovar a efic
acia deste processo, as simulacoes com rudo elevado (SNR = 10dB) foram
repetidas fixando-se (apenas na Fase 2) a ordem
dos sistemas em 5. Os resultados apresentados
na Tab. 3 mostram a melhora no desempenho do
algoritmo.

Estimada
Real

2
0
2
0

50

100

150
Amostra

Figura 3: Validaca
o dos dados considerando rudo colorido
com SNR = 30dB. A figura do topo corresponde a primeira
sada do sistema e o valor de VAF obtido foi de 99.09%.
A figura inferior refere-se a segunda sada do sistema com
VAF = 97.02%. Nesta figura, apenas um pequeno trecho
do sinal utilizado para validaca
o est
a sendo apresentado.

Conclus
oes

Neste artigo, foi abordado o problema de identificacao de sistemas hbridos MIMO do tipo PWA no

Tabela 3: Resultados do algoritmo com rudo SNR = 10dB

e ordem dos modelos fixada em 5 na Fase 2 do algoritmo.

SNR (dB)
VAF1 (%)
VAF2 (%)
Erro (%)
Sistemas (%)
Ordem 1 (%)
Ordem 2 (%)
Ordem 3 (%)

Rudo Branco
91.09
82.27
0.37
100
89
87
75

Rudo Colorido
91.26
82.29
0.37
100
61
59
50

espaco de estados. A abordagem proposta estendeu a metodologia baseada em clustering, inicialmente restrita a identificacao de sistemas chaveados lineares, para sistemas hbridos PWA. A nova
abordagem permite que os rudos de processo e
medida que afetam o sistema sejam considerados
como sequencias de rudo branco ou coloridos. A
principal contribuicao deste artigo e que o algoritmo de identificacao proposto n
ao precisa de um
n
umero elevado de chaveamentos entre diferentes
modos do sistema. A eficiencia do algoritmo proposto foi ilustrada atraves de exemplos de simulacao.
Agradecimentos
Os autores agradecem o apoio financeiro do
CNPq, CAPES e FAP-DF.
Refer
encias
Akaike, H. (1969). Fitting autoregressive models
for prediction, Annals of the Institute of Statistical Mathematics 21: 243 247.
Bako, L., Merc`ere, G. and Lecoeuche, S.
(2009). On-line structured subspace identification with application to switched linear
systems, International Journal of Control
82(8): 14961515.
Bako, L., Merc`ere, G., Vidal, R. and Lecoeuche, S.
(2009). Identification of switched linear state
space models without minimum dwell time,
15th IFAC Symposium on System Identification, Vol. 15, Brussels, Belgium, pp. 569574.
Barbosa, B. H. G., Aguirre, L. A. and Braga, A. P.
(2011). Algoritmo evolucionarios na identificacao de sistemas hbridos PWA, X Simp
osio Brasileiro de Automac
ao Inteligente, S
ao
Joao del-Rei - MG - Brasil, pp. 111116.
Bauer, D. (2001). Order estimation for subspace
methods, Automatica 37: 1561 1573.
Bemporad, A., Garulli, A., Paoletti, S. and Vicino, A. (2005). A bounded-error approach to
piecewise affine systems identification, IEEE
Transactions on Automatic Control 50: 1567
1580.

Borges, J. A. J. (2007). State-Space System Identification New Developments and Applications., Phd thesis, Instituto Superior Tecnico.
Canty, N., OMahony, T. and Cychowski, M.
(2012). An output error algorithm for piecewise affine system identification, Control
Engineering Practice 20: 444452.
Ferrari-Trecate, G., Muselli, M., Liberati, D. and
Morari, M. (2003). A clustering technique for
the identification of piecewise affine systems,
Automatica 39(2): 205 217.
Frigui, H. and Krishnapuram, R. (1999). A robust
competitive clustering algorithm with applications in computer vision, IEEE Transactions on Pattern Analysis and Machine Intelligence 21(5): 450 465.
Garca-Hiernaux, A., Jerez, M. and Casals, J.
(2012). Estimating the system order by
subspace methods, Computational Statistics
3(27): 411 425.
Heemels, W. P. M. H., Schutter, B. D. and Bemporad, A. (2001). Equivalence of hybrid dynamical models, Automatica 37: 1085 1091.
Lopes, R. V., Borges, G. A. and Ishihara, J. Y.
(2013a). New algorithm for identification of
switched linear systems, American Control
Conference (ACC2013), Washington, DC.
Lopes, R. V., Borges, G. A. and Ishihara, J. Y.
(2013b). Procedimento baseado em clustering para identificacao de sistemas dinamicos
hbridos no espaco de estados, XI Simp
osio
Brasileiro de Automac
ao Inteligente (SBAI),
Fortaleza, Brasil.
Paoletti, S., Juloski, A., Ferrari-Trecate, G. and
Vidal, R. (2007). Identification of hybrid systems: a tutorial, European Journal of Control
13(2-3): 242 260.
Pekpe, K. M., Mourot, G., Gasso, K. and Ragot,
J. (2004). Identification of switching systems
using change detection technique in the subspace framework, 43rd IEEE Conference on
Decision and Control, Vol. 4, Paradise Island,
Bahamas, pp. 3720 3725.
Verdult, V. and Verhaegen, M. (2004). Subspace identification of piecewise linear systems, 43rd IEEE Conference on Decision and
Control, Paradise Island, Bahamas, pp. 3838
3843.
Verhaegen, M. (1994). Identification of the deterministic part of mimo state space models
given in innovation form from input-output
data, Automatica (Special issue on Statistical Signal Processing and Control) 30(1): 61
74.