Sinais E Sistemas Lineares

O que realmente acontece quando você tenta analisar sinais e sistemas lineares

A primeira coisa que todo mundo aprende é que um sistema linear responde proporcionalmente à entrada. Isso é verdade, mas na prática você rapidamente percebe que a definição de linearidade — superposição e homogeneidade — sozinha não resolve nada quando o sinal que você está medindo tem ruído de quantização, ou quando o sistema tem condições iniciais não nulas. Eu já perdi duas semanas tentando aplicar superposição em um circuito com capacitores carregados antes de entender que o teorema só vale para condições iniciais zeradas. Achei que estava cometendo um erro de conta, mas não era. O sistema simplesmente não era compatível com a hipótese. O que a academia quase nunca mostra é que sinais e sistemas lineares, tal qual aparece nos livros, é um modelo. Um modelo útil, mas um modelo mesmo. Sinais reais nunca são estritamente lineares. Amplificadores saturam, sensores têm histerese, convertidores A/D geram erro de quantização que se comporta como ruído aditivo apenas aproximadamente. O truque não é acreditar na linearidade, é saber até onde ela se sustenta antes de quebrar.

Aplicando sinais e sistemas lineares na prática com MATLAB e Simulink

Se você precisa analisar responder a sinais, resolver equações diferenciais, ou simular sistemas contínuos e discretos, o MATLAB ainda é a ferramenta mais direta. O Signal Processing Toolbox e o Control System Toolbox cobrem a maior parte do que você vai encontrar em um curso de graduação. Para baixar, o MathWorks oferece uma versão de avaliação de 30 dias pelo site oficial. Se você é estudante, muitas universidades têm licença institucional — vale checar com a biblioteca ou o departamento de engenharia antes de pagar qualquer coisa. No MATLAB, o comando mais útil no dia a dia é o lsim para resposta temporal de sistemas lineares a sinais arbitrários, sem precisar linearizar manualmente. O tf define funções de transferência, impulse e step geram respostas clássicas, e freqresp extrai a resposta em frequência diretamente da representação de espaços de estados. Para sistemas discretos, o dlsim faz o mesmo trabalho no domínio do tempo com sinal amostrado. Aqui vai um exemplo prático que eu uso sempre que preciso verificar se um sistema mantém linearidade na simulação:

Crie uma função de transferência de segunda ordem, aplique dois sinais separados, some as respostas, e compare com a resposta do sinal soma. Se a diferença for da ordem de 1e-12 ou menor, o sistema é numericamente estável. Se a diferença cresce com o tempo, você tem instabilidade numérica ou condições iniciais não tratadas corretamente. O código básico é simples: s = tf('s'); G = 5 / (s^2 + 2*s + 5); t = 0:0.01:10; u1 = sin(2*pi*t); u2 = 0.5*cos(2*pi*t); y1 = lsim(G, u1, t); y2 = lsim(G, u2, t); y_soma = lsim(G, u1+u2, t); erro = max(abs(y1+y2 - y_soma));

Se o erro for perto de zero, a linearidade está preservada na simulação. Se não for, revise as condições iniciais ou o passo de integração.

Pegadas que ninguém conta sobre análise de sinais e sistemas lineares

A primeira pegada é sobre convolução. Todo mundo decor que a saída é a convolução da entrada com a resposta ao impulso. A segunda pegada, a que importa, é que a convolução numérica direta tem complexidade O(N²) e começa a ficar inviável rapidamente. Quando o sinal tem milhares de amostras, use FFT. O MATLAB faz isso automaticamente em algumas funções, mas nem sempre. Eu já vi código rodando horas porque alguém aplicou convolução direta em um sinal de 100 mil amostras sem perceber. A segunda pegada é sobre estabilidade. Um sistema pode ser BIBO estável e ainda assim ter modos internamente instáveis se houver cancelamento de polos e zeros no plano direito. Isso é particularmente perigoso em controle, onde a linearização em torno de um ponto de operação pode esconder instabilidades que aparecem fora da vizinhança. Eu corrigi um controlador PID num projeto de potência que funcionava perfeitamente na simulação linear, mas instável no protótipo porque o cancelamento de polos que eu fiz no modelo contava com valores nominais que variavam com a temperatura. A terceira pegada é sobre o domínio discreto. Amostragem não é só escolher um período T. É decidir se o seu sistema mantém estabilidade após o mapeamento bilinear ou ZOH, e quanta distorção de frequência você está disposto a aceitar. A transformação bilinear do MATLAB (bilinear) é confiável, mas ela deforma frequências. Se você precisa preservar a forma de banda passante com precisão, verifique a resposta em frequência do sistema discretizado com bode ecompare com o contínuo antes de aprovar.

Quando sinais e sistemas lineares simplesmente não funcionam

Honestamente, o método falha completamente em três situações que eu vejo recorrentemente. Primeiro: sistemas com atrito seco ou folga mecânica. O Modelo de Dahl e o Modelo de LuGre existem por um motivo. Linearizar atrito seco em torno de zero produz um ganho infinitamente alto ou nulo dependendo de como você olha, e ambas as interpretações levam a projetos de controle instáveis. Se o seu sistema tem folga, use um compensador com antecipação de não-linearidade ou aceite que a resposta em frequência vai mudar conforme a amplitude do sinal. Segundo: sinais com componentes de alta frequência próximos à metade da taxa de amostragem. Aliase é inevitável se o anti-aliasing não for rigoroso. Um filtro passa-baixa de ordem quatro com cutoff em 0.45*fs já ajuda muito, mas se o seu sinal tem energia em harmônicos superiores, você precisa de ordem maior ou de superamostragem. Eu trabalho com um sensor vibrométrico que tinha energia significativa até 8 kHz e minha taxa de amostragem era de 10 kHz. Sem filtragem externa antes do A/D, os dados vindos do sistema eram inúteis para análise espectral.

Terceiro: sistemas com atraso de transporte puro. A exponencial e^(-sT) é analítica e perfeitamente válida na teoria, mas no domínio discreto ela se torna um polinômio de alta ordem quando aproximada por Padé, e cada ordem adicional introduz polo fantasma que pode destabilizar a simulação. A recomendação prática é usar a aproximação de Padé de primeira ou segunda ordem apenas para atrasos menores que 10% do tempo de settles do sistema. Para atrasos maiores, mantenha a forma exponencial e use simuladores que suportam retardo explicitamente, como o Simscape no MATLAB.

Referência rápida de comandos MATLAB para análise

tf(num, den) — função de transferência ss(A,B,C,D) — espaço de estados impulse(G, t) — resposta ao impulso step(G, t) — degrau unitário lsim(G, u, t) — resposta livre a sinal arbitrário bode(G) — diagrama de Bode nyquist(G) — lugar de Nyquist margin(G) — margens de estabilidade pzmap(G) — polos e zeros no plano s freqresp(G, w) — resposta em frequência vetorial bilinear(G, Ts) — discretização bilinear c2d(G, Ts, method) — conversão contínuo para discreto conv(h, x) — convolução no tempo fft(x) — transformada rápida de Fourier ifft(X) — inversa periodogram(x, Fs) — densidade espectral de potência filter(b, a, x) — filtro IIR no tempo firwin(N, Wn) — filtro FIR com janela de Hamming A maioria desses comandos aparece no doc do MATLAB com exemplos prontos. A vantagem de consultar a documentação oficial é que os exemplos incluem casos de borda que o pessoal raramente menciona em aula, como o comportamento de lsim quando o sinal de entrada tem comprimento diferente do vetor de tempo.

Conclusão

Sinais e sistemas lineares é uma ferramenta, não uma verdade absoluta. Ela funciona bem dentro das fronteiras do modelo. Fora disso, você perde tempo tentar forçar a teoria em vez de reconhecer que o sistema exige uma abordagem diferente. O melhor engenheiro não é quem decora mais transformadas, é quem sabe quando parar de usar a linearidade e partir para a simulação numérica ou para a identificação experimental. Isso economiza semanas de debugging e evita projetos que funcionam no papel e falham no primeiro teste.