Académique Documents
Professionnel Documents
Culture Documents
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
Identificaca
o de Sistemas, Sistemas Hbridos, Afim por partes, Espaco de Estados
Introdu
c
ao
Caracteriza
c
ao do Problema
Sistemas PWA
(1)
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
M
X
M
X
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
N/W
Fase 2 - Identificac
ao dos Modelos Locais
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)
Algoritmo PO-MOESP
para sistemas PWA
adaptado
M
X
M
X
i=1
y(k) =
(6)
i=1
=
+
k0 ,s,Nw +
k0 ,s U
k0 ,s Xk0 ,Nw +
(7)
k0 ,s Ek0 ,s,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 , 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)
em que
(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)
Ok,s
k,s
k,s
1
= R21 R11
.
(22)
k1
M
M
Y X
X
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:
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)
3.3
Fase 3 - Clustering
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
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 ,
q 1 + 0.5q 2
e(k),
1 1.69q 1 + 0.96q 2
(24)
(25)
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
0.5
0.5
0.5
0.5
0.5
30
98.89
96.72
0.38
100
100
100
97
40
99.54
98.03
0.37
100
100
100
100
0.5
0.5
0.5
0.5
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
Sada 1
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
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.