Análise de Observabilidade e Processamento de Erros Grosseiros ...
Análise de Observabilidade e Processamento de Erros Grosseiros ... Análise de Observabilidade e Processamento de Erros Grosseiros ...
104 Identificação e Tratamento de Erros Interativos Não-conformativos |r n i | ≥ |r n j | para j = 1, ..., m (4.11) A relação acima indica que a medida com erro grosseiro é responsável pelo maior resíduo normalizado. Embora possam existir outras medidas com resíduo normalizado de mesmo valor, nenhum terá o valor maior que a medida i afetada pelo erro grosseiro. Suponha que existam m medidas no sistema. A estimação sobre o conjunto com m medidas supõe que não existem erros grosseiros. Essa hipótese pode ser testada verificando o vetor r n . max |r n i | < ɛ (4.12) i onde ɛ é o limite de detecção e depende de níveis de probabilidades aceitáveis de falso-alarme e de não-detecção. A remoção do erro grosseiro causa uma redução no índice J(̂x) dada pela seguinte expressão (Monticelli, 1999): J(̂x novo ) = J(̂x) − (r n i ) 2 (4.13) Para todos casos de erros simples ou erros múltiplos não interativos, a remoção da medida com o maior resíduo normalizado eliminará o efeito da medida suspeita e fornecerá a maior redução no índice de performance. Portanto, nesses casos, a detecção e a identificação do erro grosseiro através do maior resíduo normalizado são equivalentes a selecionar a medida que produzirá a maior redução no índice de performance J(ˆx) (Esta propriedade terá importância na definição e avaliação de vizinhos na busca tabu, onde o espaço de busca é percorrido através de transições buscando a maior redução na função objetivo). 4.3.3 Identificação de erros através do maior multiplicador de Lagrange normalizado O uso dos multiplicadores de Lagrange para detecção de erros topológicos foi proposto por (Clements e Simões-Costa, 1998). Neste método, mostra-se que na ausência de erros grosseiros, tanto nas medidas regulares como também em restrições de igualdade, os multiplicadores são variáveis aleatórias com média nula e variância obtida através da inversão da matriz aumentada.
4.3 Principais ferramentas de detecção de erros 105 Suas propriedades são semelhantes ao vetor resíduo normalizado. Considere novamente o problema: min s.a. J(x) = 1 2 r′ R z r r = z − h c(x) = 0 (4.14) As restrições de igualdade representam o resíduo das medidas e status de chaves e injeções respectivamente. A formulação com a matriz aumentada é a seguinte: ⎡ 0 0 C(x ν ⎤ ⎡ ) Λ ν+1 ⎤ ⎢ ⎣ 0 R z H(x ν ⎥ ⎢ ) ⎦ ⎣ Γ ν+1 C ′ (x ν ) H ′ (x ν ) 0 ∆x ν ⎥ ⎦ = ⎡ −c(x ν+1 ⎤ ) ⎢ ⎣ ∆z(x ν ) 0 ⎥ ⎦ (4.15) Note que, na convergência, a seguinte situação é obtida: R z Γ ν+1 = ∆z(x ν ) (4.16) C ′ (x ν )Λ ν+1 + H ′ (x ν )Γ ν+1 = 0 (4.17) Análise de erro linearizada Considere o estado estimado ̂x , o estado verdadeiro representado por x e o erro definido como ˜x = ̂x − x. A expansão de Taylor de primeira ordem em torno do ponto ̂x é dado por: A aproximação linearizada do erro é o seguinte: [ ] c(x) h(̂x) ≃ = h(x) + H˜x + C˜x (4.18) h(x) [ ] −c(x) r = − H˜x − C˜x = ∆˜z − C˜x − H˜x (4.19) z − h(x) Substituindo Eq. (4.19) em Eq. (4.17) e Eq. (4.18) e agrupando as restrições de igualdade
- 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 120 and 121: 100 Identificação e Tratamento de
- Page 122 and 123: 102 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
- Page 170 and 171: 150 Busca Tabu para Identificação
- Page 172 and 173: 152 Busca Tabu para Identificação
4.3 Principais ferramentas <strong>de</strong> <strong>de</strong>tecção <strong>de</strong> erros 105<br />
Suas proprieda<strong>de</strong>s são semelhantes ao vetor resíduo normalizado.<br />
Consi<strong>de</strong>re novamente o problema:<br />
min<br />
s.a.<br />
J(x) = 1 2 r′ R z r<br />
r = z − h<br />
c(x) = 0<br />
(4.14)<br />
As restrições <strong>de</strong> igualda<strong>de</strong> representam o resíduo das medidas e status <strong>de</strong> chaves e injeções<br />
respectivamente. A formulação com a matriz aumentada é a seguinte:<br />
⎡<br />
0 0 C(x ν ⎤ ⎡<br />
) Λ ν+1 ⎤<br />
⎢<br />
⎣ 0 R z H(x ν ⎥ ⎢<br />
) ⎦ ⎣ Γ ν+1<br />
C ′ (x ν ) H ′ (x ν ) 0 ∆x ν<br />
⎥<br />
⎦ =<br />
⎡<br />
−c(x ν+1 ⎤<br />
)<br />
⎢<br />
⎣ ∆z(x ν )<br />
0<br />
⎥<br />
⎦ (4.15)<br />
Note que, na convergência, a seguinte situação é obtida:<br />
R z Γ ν+1 = ∆z(x ν ) (4.16)<br />
C ′ (x ν )Λ ν+1 + H ′ (x ν )Γ ν+1 = 0 (4.17)<br />
Análise <strong>de</strong> erro linearizada<br />
Consi<strong>de</strong>re o estado estimado ̂x , o estado verda<strong>de</strong>iro representado por x e o erro <strong>de</strong>finido<br />
como ˜x = ̂x − x. A expansão <strong>de</strong> Taylor <strong>de</strong> primeira or<strong>de</strong>m em torno do ponto ̂x é dado por:<br />
A aproximação linearizada do erro é o seguinte:<br />
[ ] c(x)<br />
h(̂x) ≃ = h(x) + H˜x + C˜x (4.18)<br />
h(x)<br />
[ ] −c(x)<br />
r =<br />
− H˜x − C˜x = ∆˜z − C˜x − H˜x (4.19)<br />
z − h(x)<br />
Substituindo Eq. (4.19) em Eq. (4.17) e Eq. (4.18) e agrupando as restrições <strong>de</strong> igualda<strong>de</strong>