Outliers na modelagem e identificação de processos

Estratégias de controle baseadas em modelos, como controle preditivo de modelo (MPC), requerem modelos de dinâmica de processos que sejam suficientemente precisos para que os controladores resultantes funcionem adequadamente na prática. Muitas vezes, esses modelos são obtidos ajustando estruturas de modelo convenientes (por exemplo, modelos lineares de resposta ao impulso finito (FIR), modelos lineares de pólo-zero, modelos não lineares de Hammerstein ou Wiener, etc.) aos dados de entrada e saída observados. Registros de dados de medição reais frequentemente contêm "outliers" ou "pontos de dados anômalos," que podem prejudicar gravemente os resultados de um procedimento de identificação de modelo empírico razoável. Este artigo considera alguns conjuntos de dados reais contendo outliers, examina a influência dos outliers na identificação de sistemas lineares e não lineares, e discute os problemas da detecção de outliers e limpeza de dados. Embora nenhuma estratégia isolada seja universalmente aplicável, o filtro de Hampel descrito aqui é frequentemente extremamente eficaz na prática.