Análise de Observabilidade e Processamento de Erros Grosseiros ...

Análise de Observabilidade e Processamento de Erros Grosseiros ... Análise de Observabilidade e Processamento de Erros Grosseiros ...

sel.eesc.usp.br
from sel.eesc.usp.br More from this publisher
18.01.2015 Views

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

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>

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!