Análise de Observabilidade e Processamento de Erros Grosseiros ...
Análise de Observabilidade e Processamento de Erros Grosseiros ... Análise de Observabilidade e Processamento de Erros Grosseiros ...
100 Identificação e Tratamento de Erros Interativos Não-conformativos Erro não-conformativo: Um erro que causa a interação dos resíduos estimados, porém não afeta negativamente a capacidade de detecção desse erro; Erro conformativo: Erro que provoca interação entre os resíduos estimados, resultando no mascaramento de erros. Esses erros fazem com que a medida afetada apresente baixo resíduo normalizado enquanto medidas sem erro grosseiro apresentam altos valores, causando, portanto, a identificação incorreta. não há ainda uma metodologia geral consolidada. Ainda assim, para casos de erros múltiplos interativos é possível utilizar o vetor resíduo normalizado para detecção de erros, desde que o erro não seja conformativo. Situações críticas para essa abordagem são representadas pela ocorrência de erros que embora não sejam conformativos possuem significativa correlação provocando, por exemplo, o aparecimento de conjuntos suspeitos de medidas com valores altos ou muito próximos (se não iguais) de resíduos normalizados. Entretanto, se os erros forem conformes, a análise de conjuntos suspeitos não será suficiente, pois nesse caso, as medidas com o erro apresentarão valores baixos de resíduos normalizados. Exemplos de erros interativos são apresentados na seção 4.4 deste capítulo. 4.2.3 Matrizes de sensibilidade De forma a compreender a influência das medidas sobre o estado estimado, é necessário realizar uma análise de sensibilidade e verificar as relações existentes entre as variáveis como forma de auxiliar na detecção dos erros de medida. As matrizes de covariância exercem papel fundamental e são obtidas pelas respectivas relações de sensibilidade ∂̂x/∂z, ∂ẑ/∂z e ∂̂r/∂z. As principais matrizes de covariância são (Monticelli, 1999): R z - Matriz de covariância do vetor de medidas (R z = W −1 ) R̂x - Matriz de covariância do vetor estado estimado (R̂x = G −1 = (H ′ WH) −1 ) Rẑ - Matriz de covariância do vetor de medida estimada (Rẑ = HG −1 H ′ ) R̂r - Matriz de covariância do vetor resíduo estimado (R̂r = R z − HG −1 H ′ ) R r n- Matriz de covariância vetor resíduo normalizado (R r n = [diag(R̂r )] − 1 2 R̂r [diag(R̂r )] − 1 2 ) Outra matriz de sensibilidade importante é obtida de ∂̂r/∂z (matriz de sensibilidade dos resíduos):
4.3 Principais ferramentas de detecção de erros 101 S = R̂r W = I − H G −1 H ′ W (4.1) 4.3 Principais ferramentas de detecção de erros Metodologias comumente empregadas para detecção e identificação de erros são apresentadas: Teste-J(̂x), maior resíduo normalizado (Teste-r n ) e maior multiplicador de Lagrange normalizado (Teste-L n ). 4.3.1 Teste-J(̂x) Em (Monticelli, 1999) é demonstrado que assumindo-se que os erros de medidas, e i , com i = 1, . . . , m, são independentes e têm distribuição normal com média zero e variância σ 2 i , N(0, σi 2 ), então o índice de desempenho, J(̂x) = m∑ i=1 ( ) z med 2 i − ẑ i (4.2) σ i tem distribuição qui-quadrado (χ 2 m−n) com m−n graus de liberdade onde m representa o número de medidas e n o número de variáveis de estado. A esperança matemática de J(̂x) e sua variância são dadas respectivamente por: E{J(̂x)} = m − n e E{[J(̂x) − (m − n)] 2 } = 2(m − n). Note que para um sistema observável com m = n, a redundância de medidas é nula portanto, o vetor de resíduos será nulo e J(̂x) = 0. A resolução da estimação de estado fornece uma observação da variável aleatória J(̂x). Baseada nessa observação deve-se decidir se a observação pertence ou não à distribuição hipotética χ 2 . A hipótese das variáveis aleatórias e i também são testadas, indiretamente, para distribuição normal N(0, σi 2 ). O primeiro passo para identificação do erro é a consideração da hipótese nula H 0 (E{J(̂x)} = m−n) e uma hipótese alternativa H 1 (E{J(̂x)} > m−n). A hipótese alternativa indica a forma de realizar o teste, i.e., • Se J(̂x) > C então rejeite hipótese H 0 . • Se J(̂x) ≤ C então aceite a hipótese H 0 .
- Page 70 and 71: 50 Estimador de Estado Não-Linear
- Page 72 and 73: 52 Estimador de Estado Não-Linear
- Page 74 and 75: 54 Estimador de Estado Não-Linear
- Page 76 and 77: 56 Estimador de Estado Não-Linear
- Page 78 and 79: 58 Estimador de Estado Não-Linear
- Page 80 and 81: 60 Estimador de Estado Não-Linear
- Page 82 and 83: 62 Estimador de Estado Não-Linear
- Page 84 and 85: 64 Estimador de Estado Não-Linear
- Page 86 and 87: 66 Estimador de Estado Não-Linear
- Page 88 and 89: 68 Estimador de Estado Não-Linear
- Page 90 and 91: Tabela 3.6: Estado estimado das cha
- Page 92 and 93: 72 Estimador de Estado Não-Linear
- Page 94 and 95: 74 Estimador de Estado Não-Linear
- Page 96 and 97: 76 Estimador de Estado Não-Linear
- Page 98 and 99: 78 Estimador de Estado Não-Linear
- Page 100 and 101: 80 Estimador de Estado Não-Linear
- Page 102 and 103: 82 Estimador de Estado Não-Linear
- Page 104 and 105: 84 Estimador de Estado Não-Linear
- Page 106 and 107: 86 Estimador de Estado Não-Linear
- Page 108 and 109: 88 Estimador de Estado Não-Linear
- Page 110 and 111: 90 Estimador de Estado Não-Linear
- Page 112 and 113: 92 Estimador de Estado Não-Linear
- Page 114 and 115: 94 Estimador de Estado Não-Linear
- Page 116 and 117: 96 Estimador de Estado Não-Linear
- Page 118 and 119: 98 Identificação e Tratamento de
- Page 122 and 123: 102 Identificação e Tratamento de
- Page 124 and 125: 104 Identificação e Tratamento de
- Page 126 and 127: 106 Identificação e Tratamento de
- Page 128 and 129: 108 Identificação e Tratamento de
- Page 130 and 131: 110 Identificação e Tratamento de
- Page 132 and 133: 112 Identificação e Tratamento de
- Page 134 and 135: 114 Identificação e Tratamento de
- Page 136 and 137: ¤ 116 Identificação e Tratamento
- Page 138 and 139: 118 Identificação e Tratamento de
- Page 140 and 141: 120 Identificação e Tratamento de
- Page 142 and 143: 122 Identificação e Tratamento de
- Page 144 and 145: 124 Identificação e Tratamento de
- Page 146 and 147: 126 Identificação e Tratamento de
- Page 148 and 149: 128 Identificação e Tratamento de
- Page 150 and 151: 130 Identificação e Tratamento de
- Page 152 and 153: 132 Identificação e Tratamento de
- Page 154 and 155: 134 Identificação e Tratamento de
- Page 156 and 157: 136 Busca Tabu para Identificação
- Page 158 and 159: 138 Busca Tabu para Identificação
- Page 160 and 161: 140 Busca Tabu para Identificação
- Page 162 and 163: 142 Busca Tabu para Identificação
- Page 164 and 165: 144 Busca Tabu para Identificação
- Page 166 and 167: 146 Busca Tabu para Identificação
- Page 168 and 169: 148 Busca Tabu para Identificação
100 I<strong>de</strong>ntificação e Tratamento <strong>de</strong> <strong>Erros</strong> Interativos Não-conformativos<br />
Erro não-conformativo: Um erro que causa a interação dos resíduos estimados, porém não<br />
afeta negativamente a capacida<strong>de</strong> <strong>de</strong> <strong>de</strong>tecção <strong>de</strong>sse erro;<br />
Erro conformativo: Erro que provoca interação entre os resíduos estimados, resultando no<br />
mascaramento <strong>de</strong> erros. Esses erros fazem com que a medida afetada apresente baixo<br />
resíduo normalizado enquanto medidas sem erro grosseiro apresentam altos valores, causando,<br />
portanto, a i<strong>de</strong>ntificação incorreta.<br />
não há ainda uma metodologia geral consolidada. Ainda assim, para casos <strong>de</strong> erros múltiplos<br />
interativos é possível utilizar o vetor resíduo normalizado para <strong>de</strong>tecção <strong>de</strong> erros, <strong>de</strong>s<strong>de</strong> que o erro<br />
não seja conformativo. Situações críticas para essa abordagem são representadas pela ocorrência<br />
<strong>de</strong> erros que embora não sejam conformativos possuem significativa correlação provocando, por<br />
exemplo, o aparecimento <strong>de</strong> conjuntos suspeitos <strong>de</strong> medidas com valores altos ou muito próximos<br />
(se não iguais) <strong>de</strong> resíduos normalizados. Entretanto, se os erros forem conformes, a análise <strong>de</strong><br />
conjuntos suspeitos não será suficiente, pois nesse caso, as medidas com o erro apresentarão<br />
valores baixos <strong>de</strong> resíduos normalizados. Exemplos <strong>de</strong> erros interativos são apresentados na<br />
seção 4.4 <strong>de</strong>ste capítulo.<br />
4.2.3 Matrizes <strong>de</strong> sensibilida<strong>de</strong><br />
De forma a compreen<strong>de</strong>r a influência das medidas sobre o estado estimado, é necessário<br />
realizar uma análise <strong>de</strong> sensibilida<strong>de</strong> e verificar as relações existentes entre as variáveis como<br />
forma <strong>de</strong> auxiliar na <strong>de</strong>tecção dos erros <strong>de</strong> medida. As matrizes <strong>de</strong> covariância exercem papel<br />
fundamental e são obtidas pelas respectivas relações <strong>de</strong> sensibilida<strong>de</strong> ∂̂x/∂z, ∂ẑ/∂z e ∂̂r/∂z.<br />
As principais matrizes <strong>de</strong> covariância são (Monticelli, 1999):<br />
R z - Matriz <strong>de</strong> covariância do vetor <strong>de</strong> medidas (R z = W −1 )<br />
R̂x - Matriz <strong>de</strong> covariância do vetor estado estimado (R̂x = G −1 = (H ′ WH) −1 )<br />
Rẑ - Matriz <strong>de</strong> covariância do vetor <strong>de</strong> medida estimada (Rẑ = HG −1 H ′ )<br />
R̂r - Matriz <strong>de</strong> covariância do vetor resíduo estimado (R̂r = R z − HG −1 H ′ )<br />
R r n- Matriz <strong>de</strong> covariância vetor resíduo normalizado (R r n = [diag(R̂r )] − 1 2 R̂r [diag(R̂r )] − 1 2 )<br />
Outra matriz <strong>de</strong> sensibilida<strong>de</strong> importante é obtida <strong>de</strong> ∂̂r/∂z (matriz <strong>de</strong> sensibilida<strong>de</strong> dos<br />
resíduos):