FILTRAGEM ÓTIMA PARA SISTEMAS LINEARES NUM CENÁRIO DE FUSÃO DE DADOS

Abstract

No presente artigo é proposto o desenvolvimento de algoritmos de filtragem para sistemas lineares discretos no tempo num cenário de fusão de dados. O objetivo foi desenvolver filtros ótimos robustos, onde os sistemas são sujeitos a incertezas paramétricas e podem operar sob diferentes condições de falhas. A abordagem utilizada para o desenvolvimento dos filtros ótimos deste trabalho foi baseada em dois métodos de otimização, a saber: o método dos mínimos quadrados regularizados e o método da função penalidade. As estimativas tipo Kalman e as correspondentes equações de Riccati são obtidas, matematicamente, como uma extensão de resultados já conhecidos na literatura. Em seguida, foram realizadas simulações no Scilab com o objetivo de verificar a possibilidade dos algoritmos apresentados funcionarem quando estão suscetíveis a diversas condições de falhas. A principal contribuição deste trabalho, foi mostrar que é possível obter filtros ótimos, mesmo quando estes apresentam incertezas paramétricas em todos os parâmetros do sistema e, além disso, estão condicionados a diversos modelos de medidas. Mas para tanto, é necessário utilizar uma técnica denominada fusão de dados, esta por sua vez, possibilita obter informações dos modelos de medidas mesmo quando o sistema está sujeito a falhas. Os resultados obtidos demonstram a eficácia da técnica proposta, pois a mesma permite reduzir significativamente as limitações inerentes ao uso de uma única medida.