Aplicação A Derivada de Sinais PDF

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA QUMICA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA QUMICA
Aplicao e Clculo da Derivada de Sinais

de Processos Industriais
DISSERTAO DE MESTRADO
Letcia Caumo
Porto Alegre
2006

Aplicao e Clculo da Derivada de Sinais

de Processos Industriais
Letcia Caumo
Dissertao de Mestrado apresentada como
requisito parcial para obteno do ttulo de
Mestre em Engenharia
rea
de
concentrao:
Desenvolvimento de Processos
Pesquisa
Orientador:
Prof. Dr. Jorge Otvio Trierweiler
Porto Alegre
2006

A Comisso Examinadora, abaixo assinada, aprova a Dissertao Aplicao e

Clculo da Derivada de Sinais de Processos Industriais, elaborada por Letcia
Caumo, como requisito parcial para obteno do Grau de Mestre em Engenharia.
Comisso Examinadora:
Prof. Dr. Argimiro Resende Secchi
Dr. Pedro Rafael Bolognese Fernandes
Prof. Dr. Lus Gustavo Soares Longhi
Agradecimentos
A Deus.
UFRGS e ao DEQUI, pelo apoio financeiro, pela estrutura e pelo corpo docente. Ao
GIMSCOP, nas pessoas dos professores Jorge e Argimiro, pelo trabalho dedicado ao grupo.
Ao prof. Jorge, que me ensinou a ser uma pessoa mais independente. Petrobras, pelo
financiamento deste projeto, e ao engenheiro Herbert Teixeira, por acreditar no potencial do
grupo e pela conduo do projeto.
Aos colegas do GIMSCOP, amigos que ganhei nesta convivncia diria, pelo nimo, pelas
festas, pelas viagens e pelo apoio. Vanessa, amiga sempre presente. No poderia deixar de
agradecer s ladies biolgicas, pela amizade, pelas jantas, pelos desabafos, pelas
conversas, pelos almoos e cafs-da-tarde, pelo incentivo e pelos risos. E ao pessoal da sala
16, pela ajuda, pela fora e pela amizade.
Aos amigos e colegas Ariel, Ricardo, Escobar, Farenzena, Pedro e Mrcio, pelo apoio
tcnico e pela orientao.
minha famlia, especialmente aos meus pais Gladir e Aid, que entendem meu tempo, e
que tudo tem o seu tempo. Seu apoio e carinho me deram foras para seguir neste caminho.
Que seus valores e seu amor sempre me acompanhem.
Ao meu querido Ariel, pela sua simples presena, pela sua pacincia, pela sua compreenso e
pelo seu amor. Sua tranqilidade me acalmou nos momentos mais difceis, e seu apoio e
carinho me ajudaram a seguir em frente. Ari, obrigada por ser sempre to companheiro e
amigo. Agradeo tambm sua famlia, por me acolher de forma to especial.
s minhas queridas maravilhosas amigas da sexta-sim, no poderia deixar de agradecer
por tanto amor e unio, mesmo que s vezes as distncias sejam grandes. Cada eltron de
vocs traz o brilho desta unio, louca, insensata, irracional, ponderada, mgica, feliz.
Ao pai-postio Gerson, que me salvou muitas vezes, mesmo sem saber.
Por fim, a todas as pessoas que colaboraram de alguma forma para este trabalho ou que me
incentivaram neste projeto, meu obrigada e minha eterna gratido.
Resumo
Metodologias para processamento de sinais tm sido amplamente pesquisadas com o
objetivo de se extrair informao til a partir de dados de processo. Nesta categoria
incluem-se os filtros digitais, os quais atenuam os rudos ou erros aleatrios,
componentes de alta freqncia do sinal. Tcnicas de atenuao de rudo como
aproximaes polinomiais, filtros de Fourier e Ondaletas recebem destaque dentre as
tcnicas de filtragem. Os filtros das Ondaletas, por exemplo, baseiam-se nos
componentes de freqncia de um sinal, realizando a transformada deste sinal de
modo a eliminar as freqncias acima de um limite especificado. Este sinal
suavizado (tendncia), de rudo atenuado, tambm pode ser processado de modo a
obter a sua derivada. A diferenciao numrica de sinais digitais tem muitas
aplicaes em processamento de sinais analticos, devido s suas propriedades, e em
vrias tcnicas de engenharia. Um sinal suavizado desempenha papel importante na
identificao de estados estacionrios por exemplo, que encontra grande aplicao
em anlise de processos, otimizao, identificao de modelos e reconciliao de
dados. Como estas aplicaes requerem dados sob condio estacionria, ou muito
prxima dela, um mtodo eficiente de deteco de estacionrios se faz necessrio. A
derivada de um sinal ruidoso fica mascarada pelo prprio rudo e no apresenta de
forma clara os pontos de inflexo desejados para a anlise do sinal. Faz-se
necessrio, portanto, tratar o sinal com um filtro de modo a reduzir ou eliminar o
rudo antes de process-lo ou, ento, obter a tendncia que este sinal apresenta. Neste
trabalho busca-se comparar algumas metodologias comumente utilizadas para
filtragem de sinais de processos e obteno de tendncias, e analisa-se a aplicao de
uma destas metodologias para anlise e identificao de estados estacionrios. Uma
metodologia multi-varivel simples e eficiente baseada em PCA proposta, tomando
como referncia o mtodo proposto por JIANG et al. (2003), que determina um
ndice de estado estacionrio pontual. Para validao do mtodo, estudaram-se
alguns sistemas industriais e os resultados obtidos so apresentados, mostrando-se
satisfatrios.
Abstract
Methodologies for signal processing are being widely used to extract useful
information from process data. In this category are included the digital filters, which
atenuate noise or randomic errors (i.e., high frequency components of the signal).
Techniques to atenuate noise as polinomial approximation, Fourier filters and
Wavelets are commonly used. The Wavelet filters, for example, are based on the
high frequency components of the signal, performing the wavelet transform on it to
eliminate de frequencies above a specified level. This smooth signal, with less noise
(trend), can be also processed to obtain its derivative. Numerical diferentiation of
digital signals has many applications in analytic signal processing, due to its
properties, and in several engineering techniques. A smooth signal plays an
important role in steady-state identification, for example, in applications for process
analysis, process optimization, model identification and data reconciliation. As these
applications require data under steady-state condition, or very close to it, an efficient
method for steady-state detection is necessary. The derivative of a noisy signal is
hidden by the noise itself and does not show clearly the inflexion points desired for
the signal analysis. Thus it is necessary to filter the signal to reduce or even eliminate
the noise before processing it. In this work, some commonly used filter techniques
are used and compared, and the application of one of them to steady-state detection is
analised. An easy and efficient multivariable metodology based on PCA is proposed,
according to the method presented by JIANG et al. (2003), which determines a
pointwise steady-state index. To validate the method, some industrial systems were
studied and the obtained results are presented, showing that they are satisfatory.
Sumrio
1. Introduo ....................................................................................................... 1
1.1 Histrico .................................................................................................................. 3
1.2 Motivao ................................................................................................................ 4
1.3 Estrutura da Dissertao .......................................................................................... 4
2. Reviso Bibliogrfica ..................................................................................... 7
2.1 Erros de Medidas..................................................................................................... 7
2.2 Filtros do tipo Passa-Baixa...................................................................................... 8
2.2.1 Filtros de Resposta Finita ao Impulso (FIR) ................................................ 10
2.2.2 Filtros Butterworth ....................................................................................... 12
2.3 Splines ................................................................................................................... 14
2.3.1 B-splines ....................................................................................................... 15
2.4 Ondaletas ............................................................................................................... 16
2.4.1 Histrico ....................................................................................................... 17
2.4.2 Transformada das Ondaletas ........................................................................ 19
2.4.3 Comparao com a Transformada de Fourier .............................................. 32
2.5 Anlise por Componente Principal ....................................................................... 33
2.5.1 Variveis Escalonadas .................................................................................. 36
3. Derivada de Sinais Ruidosos ....................................................................... 37
3.1 Gerao dos Sinais ................................................................................................ 37
3.2 Algoritmo para as Ondaletas ................................................................................. 38
3.2.1 Determinao dos Parmetros ...................................................................... 40
3.3 Clculo das Derivadas ........................................................................................... 40
3.4 Sinal 1 ................................................................................................................... 42
3.5 Sinal 2 ................................................................................................................... 44
3.6 Sinal 3 ................................................................................................................... 45
3.7 Sinal 4 ................................................................................................................... 46
3.8 Comparao dos Mtodos ..................................................................................... 47
3.9 Concluses ............................................................................................................ 49
4. Deteco de Estados Estacionrios ........................................................... 51
4.1 Metodologia de Referncia ................................................................................... 52
4.1.1 Sistemas Multi-variveis .............................................................................. 53
4.2 PCA e Sistemas Multi-variveis ........................................................................... 54
4.3 Estudos de Caso .................................................................................................... 55
4.3.1 Metodologias ................................................................................................ 55
4.3.2 Influncia da Constante de Tempo ............................................................... 55
4.3.3 Influncia do Perodo Histrico ................................................................... 58
4.3.4 Coluna de Destilao 1................................................................................. 62
4.3.5 Coluna de Destilao 2................................................................................. 72
4.3.6 Unidade de Craqueamento Cataltico........................................................... 83
4.4 Concluses ............................................................................................................ 88
5. Concluses.................................................................................................... 91
5.1 Consideraes Finais ............................................................................................. 91
5.2 Sugestes para Trabalhos Futuros ......................................................................... 92
Apndice A - Consideraes Matemticas e Conceitos ................................ 95
A.1 Propriedades Matemticas ................................................................................... 95
A.2 Convoluo .......................................................................................................... 96
A.3 Invarincia no Tempo........................................................................................... 98
A.4 Efeitos de Borda ................................................................................................... 98
Apndice B - Algoritmo das Ondaletas ......................................................... 101
B.1 Decomposio do Sinal (Transformada das Ondaletas) ..................................... 101
B.2 Remoo de Rudo Branco ................................................................................. 103
B.3 Remoo de Picos Anormais .............................................................................. 103
B.4 Reconstruo (Transformada Inversa das Ondaletas) ........................................ 105
B.5 Valores de Corte para Deteco de Estacionrios .............................................. 107
Apndice C - Propriedades das Ondaletas ................................................... 109
C.1 Admissibilidade .................................................................................................. 109
C.2 Momentos Nulos ................................................................................................ 110
C.3 Suporte Compacto .............................................................................................. 112
C.4 Regularidade ....................................................................................................... 112
C.5 Simetria .............................................................................................................. 113
C.6 Energia................................................................................................................ 114
Referncias Bibliogrficas ............................................................................. 115
Lista de Figuras
Figura 2.1: Desvios tpicos de um filtro passa-baixa ideal quando aproximado por
um filtro FIR, com c = 0,4 : oscilaes das bandas de passagem e rejeio
(passband ripple e stopband ripple) e largura de transio (transition width). .... 11
Figura 2.2: Resposta em freqncia para os filtros eletrnicos clssicos. ....................... 12
Figura 2.3: Resposta em freqncia de um filtro Butterworth de primeira ordem. ......... 14
Figura 2.4: Alguns exemplos de famlias de ondaletas. (a) Haar (b) Daubechies4 (c)
Coiflet1 (d) Symlet2 (e) Meyer (f) Morlet (g) Mexican Hat. ............................... 17
Figura 2.5: Processo de decomposio: envolve etapas de deslocamento e posterior
escalonamento (dilatao) da ondaleta (ALTMANN, 1996). ............................... 20
Figura 2.6: Representao das ondaletas nos domnios da freqncia-escala e do
tempo. .................................................................................................................... 20
Figura 2.7: Representao de amostragens didicas no plano tempo-escala. .................. 22
Figura 2.8: Exemplo de um banco de filtros para um sinal cuja variao de
freqncia de 0 a wn (VALENS, 2004). ............................................................. 23
Figura 2.9: Banco de filtros do processo de decomposio (POLIKAR, 2001). ............. 24
Figura 2.10: Filtros espelhados em quadratura (QMF).................................................... 26
Figura 2.11: L invariante no tempo se as duas sadas forem iguais. ............................. 27
Figura 2.12: Esquema de computao dos filtros passa-baixa e passa-alta na
transformada discreta estacionria das ondaletas. ................................................. 28
Figura 2.13: Banco de filtros segundo o Algorithme Trous proposto por Mallat. a)
etapa de decomposio. b) etapa de reconstruo. ................................................ 28
Figura 2.14: Funo de escala spline cbica e funo ondaleta spline quadrtica .......... 30
Figura 2.15: Representao da STFT. ............................................................................. 33
Figura 2.16: Ilustrao da tcnica de PCA. ..................................................................... 34
Figura 3.1: Gerao do sinal para anlise. ....................................................................... 42
Figura 3.2: a) Sinal gerado e suas tendncias. b) Derivadas............................................ 43
Figura 3.3: Ampliao da Figura 3.2 entre o perodo de 80 e 240 para facilitar a
visualizao. .......................................................................................................... 43
Figura 3.6: Ampliao da Figura 3.5 para facilitar a visualizao. ................................ 46
Figura 3.7: Sinal com descontinuidades prximas. ......................................................... 46
Figura 3.8: Ampliao do sinal com descontinuidades prximas. .................................. 47
Figura 4.1: Sinal original e suas tendncias a vrios nveis de decomposio. ............... 57
Figura 4.2: Para os 6 nveis de decomposio (ou = 2, 5, 10, 15, 30 e 50): sinal
original, tendncia do sinal fs, derivada de primeira ordem WT1, derivada de
segunda ordem WT2, ndice de estado B. .............................................................. 58
Figura 4.3: Sinal original e suas tendncias para diferentes perodos histricos
selecionados. ......................................................................................................... 59
Figura 4.4: Deteco de estacionrios baseada em trs perodos histricos distintos. .... 60
Figura 4.5: Sinal original e suas tendncias para diferentes perodos histricos
selecionados. ......................................................................................................... 61
Figura 4.6: ndices de estado estacionrio de acordo com as trs tendncias obtidas. .... 62
Figura 4.7: Coluna de destilao de tolueno e seus medidores. ...................................... 63
Figura 4.8: Variveis-chave selecionadas. ....................................................................... 64

Figura 4.9: Varivel-chave temperatura do estgio 2 (TI02), representada por f,
tendncia do sinal fs, derivada de primeira ordem WT1, derivada de segunda
ordem WT2, ndice de estado B. ............................................................................ 64
Figura 4.10: Varivel-chave temperatura do estgio 21 (TI21), representada por f,
ordem WT2, ndice de estado B. ............................................................................ 65
Figura 4.11: Varivel-chave presso no topo (PI18), representada por f, tendncia do
sinal fs, derivada de primeira ordem WT1, derivada de segunda ordem WT2,
ndice de estado B.................................................................................................. 65
Figura 4.12: Varivel-chave nvel de fundo (LIC09), representada por f, tendncia
do sinal fs, derivada de primeira ordem WT1, derivada de segunda ordem
WT2, ndice de estado B. ........................................................................................ 66
Figura 4.13: ndice de estado estacionrio Bm para a coluna de destilao, obtido por
seleo de variveis-chave. ................................................................................... 66
Figura 4.14: Perfil de temperatura da coluna de tolueno. ................................................ 67
Figura 4.15: Temperaturas escalonadas da coluna de tolueno, deslocadas para
facilitar a visualizao. .......................................................................................... 67
Figura 4.16: Novas variveis ortogonais t1 e t2................................................................ 69
Figura 4.17: Resultados para a varivel ortogonal t1, representada por f, fs a
tendncia extrada do sinal original, WT1 a transformada de primeira ordem
das ondaletas, WT2 a transformada de segunda ordem das ondaletas, e B o
ndice de estado para t1. ......................................................................................... 70
Figura 4.18: Resultados para a varivel ortogonal t2, representada por f, fs a
ndice de estado para t2. ......................................................................................... 70
Figura 4.19: ndices de estado estacionrio para as variveis t1, t2 e para a
combinao Bm (para toda a coluna de destilao), obtidos pela utilizao de
PCA para combinao das variveis. .................................................................... 71
Figura 4.20: ndices de estado estacionrio obtidos pela utilizao de variveischave (BVC) e PCA (BPCA). ................................................................................... 71
Figura 4.21: Coluna de destilao atmosfrica, com as indicaes de medies de
temperatura e vazo............................................................................................... 73
Figura 4.22: Variveis-chave selecionadas. ..................................................................... 74
Figura 4.23: Resultados para a vazo de reciclo RCI, representada por f, fs a
ndice de estado. .................................................................................................... 74
Figura 4.24: Resultados para a temperatura de topo, representada por f, fs a
ndice de estado. .................................................................................................... 75
Figura 4.25: Resultados para a vazo de refluxo de diesel, representada por f, fs a
ndice de estado. .................................................................................................... 75
Figura 4.26: Resultados para a temperatura de entrada, representada por f, fs a

ndice de estado. .................................................................................................... 76
Figura 4.27: ndices de estado para as quatro variveis-chave selecionadas (vazo de
reciclo, temperatura do topo, refluxo de diesel e temperatura de entrada) e o
ndice global da coluna Bm. ................................................................................... 76
Figura 4.28: Temperaturas da coluna de destilao......................................................... 77
Figura 4.29: Vazes relacionadas coluna de destilao. ............................................... 78
Figura 4.30: Variveis de temperatura e de vazo escalonadas e plotadas deslocadas
para facilitar a visualizao. .................................................................................. 78
Figura 4.31: Varivel ortogonal gerada a partir da combinao linear das
temperaturas e vazes. .......................................................................................... 79
Figura 4.32: Resultados para a varivel ortogonal, representada por f, fs a
ndice de estado. .................................................................................................... 79
Figura 4.33: Temperaturas escalonadas e ndice de estado estacionrio B. .................... 80
Figura 4.34: Variveis de temperatura e de vazo escalonadas. ...................................... 81
Figura 4.35: Varivel ortogonal que uma combinao linear das temperaturas e
vazes. ................................................................................................................... 81
Figura 4.36: Resultados para a varivel ortogonal, representada por f, fs a
ndice de estado. .................................................................................................... 82
Figura 4.37: Temperaturas escalonadas e ndice de estado estacionrio B. .................... 82
Figura 4.38: Unidade de craqueamento cataltico de leito fluidizado (FCC). ................. 84
Figura 4.39: Representao das variveis de entrada e sada utilizando um modelo
no-linear para a unidade de FCC. ........................................................................ 85
Figura 4.40: Distrbios inseridos em cada varivel de entrada do modelo. .................... 86
Figura 4.41: Variveis de sada do modelo no-linear. a) temperaturas b) presso e
variveis de qualidade dos produtos. .................................................................... 86
Figura 4.42: Variveis de sada do modelo no-linear normalizadas, as quais so as
variveis de interesse para anlise de estacionrios. ............................................. 87
Figura 4.43: Varivel ortogonal gerada. .......................................................................... 87
Figura 4.44: Resultados para a varivel ortogonal, representada por f, fs a tendncia
extrada do sinal original, WT1 a transformada de primeira ordem das
ondaletas, WT2 a transformada de segunda ordem das ondaletas, e B o
ndice de estado. .................................................................................................... 88
Figura B.1: Decomposio do sinal em aproximaes e detalhes. ................................ 102
Figura B.2: Sinal original e suas aproximaes e detalhes, aps aplicao de valores
de corte (soft-thresholding). ................................................................................ 103
Figura B.3: Tratamento de pico anormal: f(t) so os dados originais, f'(t) so os
dados tratados por extenso simtrica, WT(f) so os coeficientes de detalhe,
T1 o valor de corte para identificao de pico anormal, T2 o valor de corte
para clculo da durao de pico anormal, ta o instante de tempo de incio do
pico anormal, tb o tempo final da durao do pico anormal, p1 e p2 so os
pontos de sinais contrrios nos coeficiente de detalhe que identificam um pico

anormal. ............................................................................................................... 104
Figura B.4: Sinal com picos anormais e o sinal aps tratamento com tcnica de
extenso simtrica e remoo de rudo. .............................................................. 105
Figura B.5: Sinal original e sinais reconstrudos aos nveis de reconstruo
completa, nvel 1 e nvel 2. ................................................................................. 106
Figura B.6: Sinal original, tendncia do sinal fs, derivada de primeira ordem WT1,
derivada de segunda ordem WT2, ndice de estado estacionrio B. .................... 107
Lista de Tabelas
Tabela 2.1: Respostas ao impulso dos filtros H, G e K.................................................... 31
Tabela 2.2: Coeficientes de normalizao j para a ondaleta spline quadrtica. Para j
> 5, j = 1. .............................................................................................................. 32
Tabela 3.1: Comparao do desempenho dos mtodos: SPL (Splines), OND
(Ondaletas) e BUT (filtro Butterworth). 1- Melhor, 2- Intermedirio e 3- Pior ... 48
Tabela 4.1: Relao entre a constante de tempo e o nmero de decomposies. ............ 56
Captulo 1
Introduo
A busca por metodologias que auxiliem na anlise de sinais de processo tem sido cada
vez maior. O conhecimento do comportamento de um sinal de fundamental importncia
para aplicao de tcnicas estatsticas, de auditoria, de otimizao ou de identificao de
sistemas. Por isso, tcnicas de processamento de sinais tm sido amplamente desenvolvidas e
estudadas.
Extrair informao til de uma srie de informaes conflitantes a forma mais
simples de processamento de sinais. Genericamente, processamento de sinais uma
ferramenta criada para extrair, melhorar, armazenar ou transmitir informao til. Como
distinguir entre informao til e indesejada subjetivo, normalmente processamento de
sinais depende da aplicao.
Uma das aplicaes importantes do processamento de sinais digitais o filtro digital,
visto que medidas de processo so comumente afetadas por erros, que podem ser causados
durante as medies, processamento ou transmisso do sinal medido. Dois tipos de erros so
conhecidos: erros sistemticos, no qual o valor medido maior ou menor do que o valor
correto, e erros aleatrios, no qual h variaes no-preditas no sinal de medida em medida.
Este ltimo tipo de erro conhecido como rudo, o qual provm de vrias fontes, como
flutuaes de energia eltrica, correntes de ar, movimento trmico aleatrio das molculas,
entre outras. Distinguir o rudo do sinal nas medidas um grande problema. Enquanto o sinal
possui alguma reprodutibilidade, o rudo no o mesmo entre uma medida do sinal e a
prxima, por exemplo.
Por isso, diminuir ou at mesmo suprimir os erros aleatrios, normalmente
caracterizados por altas freqncias, uma tarefa desejada. Em muitos tipos de sinais, a
amplitude real varia mais suavemente como uma funo dos valores do eixo das ordenadas,
enquanto muitos tipos de rudos so rpidos, apresentando mudanas randmicas na
amplitude de ponto a ponto de um dado sinal. Neste caso, uma prtica comum para reduo
1. INTRODUO
do rudo o uso de um processo conhecido por suavizao. Nesta metodologia, o sinal

modificado de modo que os pontos maiores que pontos imediatamente adjacentes so
reduzidos, e pontos que so menores que os imediatamente adjacentes so aumentados. Isto
leva, naturalmente, a um sinal mais suave. Se o sinal realmente suave, ento o sinal real no
ser distorcido pela suavizao, mas o rudo ser removido. medida que aumenta a
suavizao, maior a reduo de rudo, mas isto causa uma reduo na amplitude dos picos e
um aumento das suas larguras (OHAVER, 2005). Existem outras maneiras de reduzir o rudo
de um sinal, obtendo-se uma tendncia, como a aplicao de interpolaes ou aproximaes
polinomiais e ainda os filtros de Fourier ou das Ondaletas. Os filtros de Fourier e das
Ondaletas baseiam-se nos componentes de freqncia de um sinal e funcionam tomando a
transformada deste sinal, eliminando todas as freqncias acima de um limite especificado
pelo usurio, e ento realizando a transformada inversa. Assume-se que os componentes de
freqncia do sinal se localizem na regio predominantemente de baixas freqncias, e os
componentes de rudo nas freqncias altas. O usurio tenta achar uma freqncia de corte
que permita que a maior parte do rudo seja eliminada sem distorcer o sinal significativamente
(OHAVER, 2005).
Este sinal suavizado (tendncia) tambm pode ser processado de modo a obter a sua
derivada. A diferenciao numrica de sinais digitais tem muitas aplicaes em
processamento de sinais analticos, devido s suas propriedades, e em vrias tcnicas de
engenharia. Por exemplo, um sinal suave que apresente um ponto de inflexo oblquo
apresentar um pico mximo na sua derivada de primeira ordem e um zero (ponto onde o
sinal cruza o eixo das abscissas) na derivada de segunda ordem. Este comportamento pode ser
importante na localizao precisa de um ponto de inflexo de uma curva sigmoidal, por
exemplo, pela localizao do zero da derivada de segunda ordem. Da mesma forma, a
localizao de um pico no sinal pode ser obtida pela verificao dos zeros na derivada de
primeira ordem. Outras aplicaes da derivao so para anlise de alguns sinais tpicos de
anlises trmicas e experimentos cinticos que apresentam comportamento bem
caractersticos (como de uma srie de segmentos de linha reta com diferentes inclinaes,
onde o objetivo determinar quantos segmentos de reta existem, qual a inclinao destas
retas, etc), diferenciao de espectros, anlise de traos, entre outros.
Quando um sinal caracterizado por vrios picos analisado, o efeito da diferenciao
deve ser levado em conta. Quanto maior a largura de um pico, menor ser a amplitude da sua
derivada, e este efeito fica ainda mais destacado quanto maior a ordem da derivao. Assim, a
diferenciao distingue picos largos e estreitos, o que pode ser til para aplicaes analticoquantitativas na deteco de picos superpostos, por exemplo (OHAVER, 2005).
Portanto, distinguir os componentes de freqncia de um sinal para extrair apenas a
informao til deste sinal de extrema importncia, como tambm obter um sinal de
processo mais suavizado, que traga informaes mais claras sobre o processo e cuja derivada
tambm fique mais suave, de modo que se possa facilitar a distino entre os diferentes
comportamentos do sinal.
1.1 HISTRICO
Um sinal suavizado, com menos rudo, de fundamental importncia para ajudar na

identificao de estados estacionrios, que encontra grande aplicao em anlise de processos,
otimizao, identificao de modelos e reconciliao de dados. Como estas aplicaes
requerem dados sob condio estacionria, ou muito prxima dela, um mtodo eficiente de
deteco se faz necessrio.
1.1 Histrico
Existem vrios mtodos para se filtrar um sinal, obtendo sua tendncia com menos
rudo randmico. Como exemplo, na literatura, existe um mtodo de obteno de tendncias e
anlise para monitoramento de sistemas e suporte deciso (CHARBONNIER et al., 2005),
no qual as tendncias so caracterizadas de trs formas: crescente, estacionrio e decrescente.
Com relao s ondaletas, que um assunto relativamente novo no meio cientfico,
elas tm sido largamente aplicadas para anlise de imagens, devido a sua capacidade de
resoluo e compactao de informao sem perdas para a reconstruo (MALLAT e
ZHONG, 1992). Em anlise de sinais, so bastante utilizadas para identificao de
anormalidades ou descontinuidades em sinais de processo (DUAN e OWEIS, 2005), sinais
ssmicos e sinais eletrocardiogrficos, principalmente.
Vrias tcnicas de filtrao de sinais de processo baseadas em ondaletas surgiram ao
longo dos ltimos anos, como as propostas por DOYMAZ et al. (2001), AKBARYAN e
BISHNOI (2000) e outra aplicada inclusive para estimao do tempo morto apresentada por
CHING et al. (1999). Sinais sonoros tambm foram filtrados (WATSON e ADDISON, 2002)
utilizando transformada das ondaletas baseada no mdulo mximo.
No que se refere deteco de estacionrios, normalmente as tcnicas so baseadas
em mtodos estatsticos, como em BROWN e RHINEHART (2000). NARASIMHAN et al.
(1986) apresentaram um Teste Estatstico Composto (Composite Statistical Test - CST) e um
Teste Matemtico de Evidncias (Mathematical Test of Evidence - MTE). No mtodo CST,
perodos consecutivos de tempo so definidos e avaliados de acordo com a matriz de
covarincia e mdia amostral. No mtodo MTE, diferenas nas mdias so comparadas com a
variabilidade de cada perodo. Mais recentemente, CAO e RHINEHART (1995) propuseram
um mtodo baseado em mdia mvel ou filtro convencional de primeira ordem para
reposicionar a mdia amostral.
Porm, estes mtodos consideram apenas a presena de erros randmicos e no se
mostraram eficientes em vrios estudos prticos. Alm disto, estes mtodos indicam regies
estacionrias ou no, ou seja, no contemplam um ndice que indique a situao do processo,
a distncia da condio estacionria. De modo a se calcular um ndice pontual de estado
estacionrio, e no uma condio para um perodo, as ondaletas surgiram como uma
alternativa de metodologia. FLEHMIG et al. (1998) propuseram um mtodo baseado em
ondaletas para identificar e localizar tendncias polinomiais em medidas ruidosas. O trabalho
prope uma busca hierrquica de intervalos nos quais as medidas podem ser bem aproximadas
1. INTRODUO
por um polinmio de grau limitado. Os intervalos so identificados como polinmios

aproximados por mnimos quadrados e uma medida quantitativa da qualidade de ajuste
informada. Entretanto, esta tcnica identifica regies estacionrias e no-estacionrias, ou
tendncias lineares ou no. Outra tcnica baseada em ondaletas para identificao de
estacionrios foi proposta por JIANG et al. (2003), na qual um ndice calculado para cada
instante de tempo, sendo que este ndice assume valores entre 0 e 1. Esta tcnica,
diferentemente da proposta por FLEHMIG et al. (1998), quantifica a proximidade do
estacionrio atravs de um ndice, permitindo que se conhea o real comportamento do
processo.
1.2 Motivao
Tcnicas em tempo real baseadas em modelos, como reconciliao de dados, deteco
de erros grosseiros ou otimizao em tempo real, ganharam significativa importncia ao longo
dos ltimos anos, de modo que a identificao de tendncias nas medidas de processo para
aplicaes como em deteco de estados estacionrios tem sido uma tarefa importante.
Estes modelos so geralmente estacionrios, o que justifica a importncia de conhecer
quais so, de fato, os dados de processo estacionrios. Para outras aplicaes, como
visualizao ou deteco de flutuaes no processo, identificar e localizar tendncias
polinomiais lineares ou de alta ordem pode ser bastante importante, da mesma forma como
distinguir entre estas flutuaes e estados estacionrios.
Assim, tcnicas baseadas em ondaletas ganharam destaque em processamento de
sinais. Apesar do desempenho superior para certas aplicaes, a grande vantagem dos
mtodos baseados em ondaletas sua capacidade de concentrar em uma nica tcnica uma
variedade de tarefas de processamento de sinais, de modo que esta sinergia aumenta o
desempenho da soluo geral em comparao com a soluo de cada tarefa individualmente
(FLEHMIG et al., 1998).
Em virtude disto, uma metodologia baseada em ondaletas (JIANG et al., 2003) foi
avaliada. A representao dos dados em vrias escalas tem se apresentado como uma grande
habilidade quando utilizada para filtrar dados, pois apresenta a vantagem de ajudar na
separao do rudo de caractersticas importantes do sinal. Alm do mais, a tcnica utilizada
para deteco de estacionrios mediante o clculo de um ndice que indica a distncia da
condio estacionria. Este ndice mais um fator importante que motivou o emprego da
metodologia proposta por JIANG et al.(2003) e, alm disto, as tcnicas baseadas em mtodos
estatsticos apresentam-se pouco robustas e pouco flexveis. Estes mtodos estatsticos
avaliam o estado do processo em um perodo de tempo, ao invs de avaliarem pontualmente
no tempo. Para aplicaes em tempo real isto , obviamente, uma condio fundamental.
1.3 ESTRUTURA DA DISSERTAO
1.3 Estrutura da Dissertao

Alm deste captulo introdutrio, que buscou apresentar uma reviso histrica da
utilizao das tendncias e derivadas de sinais e a motivao para este trabalho, esta
dissertao apresenta mais quatro captulos. O Captulo 2 contempla uma breve reviso
baseada nos principais trabalhos publicados a respeito do tema, procurando descrever de
forma didtica os principais contedos abordados em cada etapa deste trabalho.
O Captulo 3 faz um estudo comparativo das tcnicas que so comumente utilizadas
para eliminao ou diminuio do rudo presente nas medidas de processo. So comparados
sinais frequentemente encontrados em aplicaes prticas com relao obteno de
tendncias destes sinais e suas derivadas. Esta comparao inclui os mtodos de filtros
Butterworth, aproximao por splines e filtrao por ondaletas.
O Captulo 4 consiste na aplicao de um algoritmo baseado em ondaletas para a
obteno de um sinal de tendncia, suas derivadas e a deteco de pontos estacionrios nestes
sinais. Os parmetros de entrada deste algoritmo so avaliados quanto a sua influncia nos
resultados, ou seja, uma anlise de sensibilidade destes parmetros analisada. Para sistemas
multi-variveis, um mtodo baseado em PCA (Anlise por Componente Principal) proposto,
e sua aplicabilidade analisada em exemplos reais. So analisadas duas colunas de destilao
e uma unidade de craqueamento cataltico.
Por fim, o Captulo 5 sumariza as principais concluses sobre o trabalho desenvolvido.
As contribuies desta tese so apresentadas, bem como sugestes para trabalhos que
poderiam dar continuidade a ele.
Apndices foram acrescentados ao final para completar informaes sobre alguns
contedos apresentados durante o desenvolvimento deste trabalho. Algumas propriedades
matemticas e conceitos relevantes para o trabalho so apresentados no Apndice A. No
Apndice B, uma idia do algoritmo baseado nas ondaletas utilizado para obteno das
tendncias apresentado. O Apndice C mostra algumas propriedades das ondaletas, as quais
so importantes para definio de qual tipo de ondaleta deve ser escolhida de acordo com a
finalidade/aplicao desejada.
1. INTRODUO
Captulo 2
Reviso Bibliogrfica
Neste captulo so apresentadas algumas metodologias que foram utilizadas no
desenvolvimento do trabalho. Alguns conceitos que sero abordados nos demais captulos
sero aqui brevemente apresentados, tendo como foco apenas os aspectos que sero
necessrios para compreenso posterior. Assim, ser dado um enfoque amplo, destacando os
aspectos importantes utilizados neste trabalho.
2.1 Erros de Medidas

Erros nas medidas de processo so comuns na instrumentao de processos, e podem
ser causados durante as medies, processamento e transmisso do sinal medido. O erro e a
diferena entre o valor medido y e o valor real da varivel x, conforme Eq. (2.1). Alguns erros
so aleatrios (erros randmicos), outros sistemticos ou erros grosseiros. A soma das
contribuies destes erros caracteriza o erro total (NARASIMHAN e JORDACHE, 2000).
y = x+e
(2.1)
Erros randmicos no podem ser completamente eliminados e esto sempre presentes

nas medidas. Como o prprio nome indica, nem a magnitude nem o sinal podem ser preditos,
de forma que, se a medio repetida com o mesmo instrumento sob condies idnticas de
processo, um valor diferente pode ser obtido dependendo do efeito do erro randmico. Erros
randmicos normalmente correspondem a componentes da alta freqncia do sinal medido, e
normalmente so de pequena magnitude exceto por alguns pulsos ocasionais (spikes). Estes
erros podem ser causados por um nmero diferente de fontes como flutuaes no suprimento
de energia, rede de transmisso, filtrao de entrada analgica, mudanas nas condies
ambientais, etc (NARASIMHAN e JORDACHE, 2000).
2. REVISO BIBLIOGRFICA
Erros grosseiros, por outro lado, esto associados a eventos no-randmicos,

significando que, se a medio repetida com o mesmo instrumento sob condies idnticas
de processo, a contribuio do erro grosseiro para o valor medido ser a mesma. Erros
grosseiros esto relacionados, portanto, ao mau funcionamento de instrumentos (devido
instalao imprpria dos instrumentos de medida), falta de calibrao, corroso nos sensores e
depsitos de slidos. Mantendo bons procedimentos de instalao e manuteno, possvel
assegurar que erros grosseiros no estejam presentes nas medidas pelo menos por algum
tempo. Erros grosseiros causados por falta de calibrao nos sensores podem ocorrer
rapidamente num tempo particular e depois permanecer num nvel ou magnitude constantes.
Outras causas de erros grosseiros, como desgaste ou obstruo dos sensores, podem ocorrer
gradualmente em um perodo de tempo e ento a magnitude dos erros grosseiros aumenta
lentamente em um perodo relativamente longo de tempo. So representados, ento, por
algum vis (bias) sistemtico nas medidas e vazamentos (leaks). Portanto, erros grosseiros
ocorrem com menos freqncia, mas sua magnitude tipicamente maior do que erros
aleatrios. A identificao de erros grosseiros muito mais difcil do que de erros aleatrios.
Alguns dos mtodos existentes so o Teste Global, Teste de Componente Principal e Teste de
Medida. Porm, os mtodos existentes normalmente no so satisfatrios para todos os
cenrios que se apresentam (NARASIMHAN e JORDACHE, 2000).
Na tentativa de diminuir ou atenuar os erros aleatrios, normalmente caracterizados
por freqncias mais altas, apresentou-se vrios mtodos de reduo de rudo ou extrao de
tendncias. Alguns tipos de filtros usualmente empregados so filtros exponenciais, de mdia
mvel e polinomiais. Nas sees seguintes, apresentam-se mais detalhadamente os filtros do
tipo passa-baixa, splines e ondaletas, os quais sero utilizados posteriormente em estudos de
caso para verificao de suas aplicaes, vantagens e desvantagens.
2.2 Filtros do tipo Passa-Baixa

O processo de filtragem de sinais consiste em reduzir erros nos dados de processo. Um
filtro pode selecionar, ou suprimir, certos componentes de freqncia de um sinal. Um filtro
passa-baixa (lowpass filter) atenua, ou reduz, a amplitude das freqncias maiores que um
valor estabelecido, chamado de freqncia de corte c, permitindo a passagem apenas das
freqncias baixas. Em geral, a largura da banda de passagem d uma idia das propriedades
transientes da resposta, visto que uma grande largura da banda de passagem corresponde a
uma resposta mais rpida (LEVINE, 1996).
Um filtro passa-baixa ideal possui como caracterstica um ganho constante unitrio at
a freqncia de corte c, e ento o ganho subitamente cai a zero para > c (LATHI, 1998).
Ou seja, o filtro passa-baixa permite que os componentes do sinal de freqncia abaixo de c
passem, e retm os componentes do sinal com freqncia acima de c. Um filtro passa-baixa
ideal um filtro de ordem infinita. Assim, quanto maior a ordem de um filtro, mais ele se
aproxima do ideal (LATHI, 1998).
2.2 FILTROS DO TIPO PASSA-BAIXA
Os filtros digitais1, alm de selecionar componentes de freqncias, podem atenuar (ou

suprimir) cada componente de freqncia por uma quantia desejada. So caracterizados pela
sua resposta a um impulso (um sinal consistindo de um nico valor e seguido de zeros): a
resposta ao impulso uma indicao de quanto tempo o filtro leva para chegar a um estado
estacionrio, sendo uma indicao da estabilidade do filtro, visto que uma resposta ao impulso
que oscila continuamente por um longo tempo indica que o filtro pode ter tendncia
instabilidade (BORES, 2004).
A sada de um filtro digital uma composio das ltimas entradas e das ltimas
sadas, segundo a Eq. (2.2).
y[n] =
c[k ] x[n k ] + d [ j ] y[n j ]
(2.2)
onde y[n] a sada do filtro no instante de tempo n, c[k] e d[j] so coeficientes, x[n-k] a
entrada em k instantes passados, y[n-j] so as ltimas j sadas do filtro e * denota a operao
de convoluo2 (Apndice A).
Duas convolues esto envolvidas, portanto: uma das ltimas entradas e outra das
ltimas sadas. Em cada caso, a funo de convoluo chamada de "coeficientes" dos filtros
(BORES, 2004).
Como a filtragem um processo de seleo de freqncias, importante pensar em
um filtro digital com relao a sua resposta no domnio da freqncia. Neste caso, a resposta
na freqncia do filtro pode ser calculada a partir da equao do filtro, dada pela
transformada-z de sua resposta ao impulso. Em geral, a transformada-z Y(z) da sada y[n] de
um filtro digital est relacionada com a transformada-z da entrada X(z) por
Y ( z) = H ( z) X ( z) =
b(1) + b(2) z 1 + ... + b(nb + 1) z nb

a (1) + a (2) z 1 + ... + a (na + 1) z na
X ( z)
(2.3)
onde H(z) a funo de transferncia do filtro. Portanto, as constantes b(i) e a(i) so os

coeficientes do filtro e a ordem do filtro o mximo entre na e nb.
Um filtro digital um filtro que processa sinais digitais, sendo, portanto implementado
atravs de software. Utilizando um conversor analgico-digital, digitaliza-se o sinal a filtrar, em
seguida este processado por um microprocessador, onde est programado o filtro digital. Para se
obter de novo um sinal analgico j filtrado, coloca-se um conversor digital-analgico (LEVINE,
1996).
2
Qualquer filtro LTI (linear time invariant filter) pode ser implementado pela convoluo do
sinal de entrada pela resposta ao impulso do filtro. Convoluo um operador matemtico que, a partir
de duas funes, produz uma terceira. O conceito de convoluo est ligado ao de mdia mvel e
fundamental no estudo de sistemas LTI.
10
Quando na = 0 (ou seja, a um escalar), o filtro do tipo Resposta Finita ao Impulso

(Finite Impulse Response - FIR), no-recursivo, ou filtro de mdia mvel (NARASIMHAN e
JORDACHE, 2000).
Para aplicao em tempo real, estes filtros no existem, pois o filtro teria que prever o
futuro e ter conhecimento infinito do passado para realizar a convoluo. Isto possvel para
sinais digitais pr-gravados, ou perfeitamente cclicos, que se repetem infinitamente. Para
aplicaes em tempo real, os filtros reais aproximam-se do filtro ideal por atrasarem o sinal
por um perodo de tempo, permitindo uma pequena "viso" do futuro. Isto manifestado
como a mudana de fase. Uma maior preciso na aproximao requer um atraso maior.
Os filtros de mdia mvel so bons para codificar sinais no domnio do tempo.
Entretanto, so os piores filtros para codificar sinais no domnio da freqncia, pois possuem
pequena capacidade de separar uma banda de freqncias da outra (SMITH, 1997).
2.2.1 Filtros de Resposta Finita ao Impulso (FIR)

muito mais fcil resolver o problema de clculo dos coeficientes do filtro se h uma
simplificao da equao do filtro de modo que se trabalhem somente com as ltimas
entradas, i.e., excluir a possibilidade de retroalimentao (feedback). Isto equivale a desprezar
o segundo termo da soma da Eq. (2.2) anteriormente apresentada e tornar o filtro norecursivo. Isto implica em considerar apenas as entradas passadas, porm muito mais valores
passados so necessrios para compensar o efeito de no necessitar de dados passados do
sinal de sada (WHITE, 2000).
Se tal filtro ento sujeito a um impulso, ento sua sada deve necessariamente ir a
zero depois que o impulso tenha passado. Ento a resposta ao impulso de tal filtro deve ter
durao finita necessariamente (KRAUSS et. al, 1999). Tal filtro chamado de filtro de
Resposta Finita ao Impulso, ou FIR, e representado por
y (n) = b0 x(n) + b1 x(n 1) + b2 x(n 2) + ... + bM ( x M )

M
= bk x(n k )
k =0
(2.4)
h( k ) x ( n k )
k =
= (h x)(k )
onde o atraso k = 0, 1, 2, ..., M e x(n) a amplitude do sinal de entrada no tempo n, e * denota
a convoluo entre os sinais h e x.
A resposta do filtro na freqncia simplesmente a transformada de Fourier dos
coeficientes do filtro. Assim, os coeficientes de um filtro FIR podem ser calculados
simplesmente pela transformada inversa de Fourier da resposta na freqncia desejada
(SMITH, 2004).
11
Estes tipos de filtros apresentam algumas vantagens: no levam a overshoot,

alcanando corretamente estado-estacionrio aps uma mudana do tipo degrau; podem ter
sua fase especificada como linear; so fceis de implementar e so rpidos
computacionalmente; sendo teis para estimar um valor fixo ou tendncia linear
(NARASIMHAN e JORDACHE, 2000).
No entanto, na prtica, os filtros passa-baixa ideais no so possveis de serem
projetados. A aproximao finita a estes filtros leva as bandas do filtro de passagem ( < c)
e de rejeio ( > c) a apresentarem oscilaes, bem como a terem uma largura de transio
no-zero entre si (veja Figura 2.1), os quais so efeitos indesejveis (LOSADA, 2004).
Figura 2.1: Desvios tpicos de um filtro passa-baixa ideal quando aproximado por um filtro
FIR, com c = 0,4 : oscilaes das bandas de passagem e rejeio (passband
ripple e stopband ripple) e largura de transio (transition width).
Para um projeto de filtro FIR o que se seleciona, ento, so as faixas de oscilao de
banda e faixa de transio que no excedam determinado valor. Pode-se tambm selecionar a
ordem do filtro, ou equivalentemente, o comprimento da resposta ao impulso truncada.
Um filtro desejvel o que mais se aproxima do ideal e que apresenta resposta de fase
linear (LOSADA, 2004). Isto significa que a resposta do filtro uma funo linear da
freqncia e o filtro, assim, gera um atraso, mas no gera distoro de fase, que uma
vantagem deste tipo de filtro. Um filtro FIR de fase linear se seus coeficientes so simtricos
em relao ao coeficiente central, ou seja, o primeiro coeficiente igual ao ltimo, o segundo
igual ao penltimo, e assim por diante.
Um tipo de filtro FIR so os filtros de interpolao, que so filtros de banda limitada.
O conceito baseado na noo de um sinal contnuo no tempo sendo amostrado. A
interpolao ideal de banda limitada tomar o sinal digital (amostrado) e produzir uma
12
interpolao do sinal que ser idntica ao sinal que seria obtido a uma taxa de amostragem
maior. Na realidade, colocado em prtica por meio de aumento de amostragem e uso de um
filtro passa-baixa ideal (LOSADA, 2004).
Dentre os filtros de interpolao existe o filtro de meia-banda (halfband filters). Este
um filtro de Nyquist (Lth-band filters) particular, pois a banda de passagem da sua magnitude
de resposta ocupa aproximadamente 1/L do intervalo de Nyquist. No caso especial de uma
interpolao por um fator de 2, os filtros so chamados de meia-banda. Filtros de meia-banda
so normalmente usados quando a interpolao (ou decimao) de um fator de 2. A
freqncia de corte destes filtros sempre 0,5 . Alm disso, as ondulaes da banda de
passagem e da banda de rejeio so idnticas.
2.2.2 Filtros Butterworth

O filtro Butterworth um tipo de projeto de filtro eletrnico e desenvolvido de modo
a ter uma resposta em frequncia o mais plana o quanto for matematicamente possvel na
banda de passagem. Uma resposta plana aquela que no apresenta ondulaes na banda de
passagem, e se aproxima do zero na banda de rejeio (KRAUSS et. al, 1999).
Quando visto em um grfico logartmico, esta resposta desce linearmente at o infinito
negativo. Isto significa que os filtros Butterworth possuem uma queda na sua magnitude como
uma funo linear com , sendo que o filtro de Butterworth o nico filtro que mantm o
mesmo formato para ordens mais elevadas (porm com uma inclinao mais ngreme na
banda atenuada) enquanto outras variedades de filtros (Bessel, Chebyshev, Elptico) possuem
formatos diferentes para ordens mais elevadas (KRAUSS et. al, 1999). A Figura 2.2
apresenta os filtros eletrnicos mais clssicos.
Figura 2.2: Resposta em freqncia para os filtros eletrnicos clssicos.
13
Na Figura 2.2, o primeiro filtro o de Butterworth, que o mais suave, no

apresentando oscilaes. O ltimo o filtro Elptico, que o mais brusco (menor largura de
transio), mas apresenta oscilaes tanto na banda de passagem quanto na de rejeio. Os
dois filtros Chebyshev do meio tm um comportamento intermedirio, sendo mais ou menos
bruscos e com oscilaes em parte do espectro. Os grficos foram obtidos usando os mesmos
parmetros e o mesmo nmero de coeficientes, mostrando, portanto, somente as propriedades
dos diferentes filtros (KRAUSS et. al, 1999).
Observa-se que o filtro de Butterworth mais plano que os outros no apresentando
oscilaes. Entretanto, sua queda um pouco mais lenta, requerendo, assim, uma ordem
maior para implementar uma banda de rejeio especfica. Por outro lado, sua resposta em
fase ser mais linear na banda de passagem do que os outros filtros.
Nos filtros Butterworth, de ordem n, a amplitude de resposta |H(j)| dada por
H (i ) =
1

1 +
c
2n
(2.5)
onde i a constante imaginria, a freqncia angular do sinal (rad/s) e c a freqncia

de corte (OPPENHEIM e WILLSKY, 1997).
Pode-se observar que em = 0 o ganho |H(0)| unitrio e em = c o ganho |H(ic)|
igual a 1 2 ou -3 dB. Ou seja, a freqncia de corte aquela na qual a magnitude da
resposta cai para 0,707 do valor na freqncia zero. Como o ganho tem uma queda de um
fator 2 em = c e a energia proporcional ao quadrado da amplitude, a razo entre as
energias (de sada pela de entrada) cai por um fator de 2 em = c. Por esta razo, c
chamada de freqncia de meia-potncia (half-power frequency) ou freqncia de corte de
3 dB (LATHI, 1998; LEVINE, 1996; OPPENHEIM e WILLSKY, 1997).
A Figura 2.3 apresenta a resposta em freqncia de um filtro de Butterworth de
primeira ordem normalizado (freqncia de corte normalizada para 1 rad/s e ganho
normalizado para 0 dB na banda de passagem), a qual mostra o ganho e a fase. Como se
observa, o ganho tem uma queda de -20 dB a cada decado3 (-6 dB por oitava).
No Matlab, os filtros Butterworth foram testados utilizando-se a funo idfilt, que
realiza uma filtragem no sentido direto e depois no sentido reverso. necessrio informar a
ordem do filtro, em termos da freqncia de Nyquist, e a freqncia de corte.
Decado representa uma razo entre freqncias, correspondente a um valor de 10. Por
exemplo, a amplitude pode cair de -20 dB entre as freqncias de 10 e 100 Hz ou entre as freqncias
de 2.5 e 25 Hz (LEVINE, 1996).
14
Figura 2.3: Resposta em freqncia de um filtro Butterworth de primeira ordem.
2.3 Splines
Splines so funes polinomiais que podem ser usadas para ajuste de uma curva ou
funo aos dados. Um ajuste exato aos pontos de dados envolve interpolao, enquanto um
ajuste aproximado envolve aproximao por mnimos quadrados, resultando em um sinal
suavizado (BOOR, 1999). Assim, para splines de interpolao, a curva passa por cada ponto,
dito "ponto de controle", enquanto para splines de aproximao, no necessariamente.
As splines so, por natureza, de dimenso finita, o que a razo principal da sua
utilidade em computao e representao. Tambm so de simples construo, avaliao fcil
e acurada, e possuem capacidade de aproximar formas complexas atravs de um ajuste de
curva e projeto iterativo.
Se uma funo deve ser aproximada em um grande intervalo, o grau do polinmio de
aproximao dever ser inaceitavelmente grande. A alternativa subdividir o intervalo de
aproximao [a, b] em intervalos suficientemente pequenos [xj, xj+1] (com a = x1 < ...
< xl+1 = b) de modo que, em cada intervalo, um polinmio de grau relativamente baixo possa
trazer uma boa aproximao para a funo. Qualquer seo de funo polinomial suave
chamada spline (BOOR, 1999).
Os pontos de unio entre estes subintervalos so denominados de "ns". Se a unio
entre dois subintervalos acontece da maneira mais suave possvel, caracteriza-se uma spline
conhecida por B-spline, e normalmente de ordem cbica. Para isto, as derivadas de primeira e
segunda ordem ao final da curva devem ser iguais s derivadas de primeira e segunda ordem
2.3 SPLINES
15
da prxima. Para se assegurar que isto acontea, as splines cbicas naturais

computacionalmente envolvem a resoluo simultnea de um sistema de equaes.
2.3.1 B-splines
A forma bsica das splines (B-form ou basic splines) tem sido a forma padro de
representar uma spline visto que busca suavizaes nos ns. A forma bsica (B-form)
descreve uma spline como combinao linear de beta splines (B-splines). Assim, podem ser
representadas conforme a Eq. (2.6).
n
f =
ik
ai
(2.6)
i =1
onde Bik = B(ti,...,ti+k) a i-sima B-spline de ordem k para a seqncia de knots t1 t2 ...
tn+k, onde knots so os valores da abscissa nos ns. Assim, uma spline f especificada por
sua seqncia t de knots e por sua seqncia de coeficientes B-splines a, sendo que os
coeficientes so chamados de "pontos de controle" da curva. Uma B-spline nula fora do seu
intervalo bsico (BOOR, 1999).
Uma das vantagens da B-spline que o grau do polinmio independente do nmero
de pontos. Assim, a forma localmente controlada. Porm, possuem grande complexidade
computacional.
Uma spline cbica natural, muito utilizada, um polinmio cbico para cada seo de
modo que a funo, sua derivada e sua segunda derivada so contnuas nos ns de
interpolao, e onde "natural" significa que a segunda derivada definida nula nos extremos
do intervalo de interpolao.
S " (a ) = S " (b) = 0
(2.7)
Isto obriga a spline a ser uma linha contnua reta fora do intervalo, sem comprometer
sua suavidade. , ento, a mais suave possvel curva de interpolao, visto que minimiza a
integral do quadrado da derivada segunda (BOOR, 1999).
Uma spline tpica de ordem n, usada em anlise numrica, tem continuidade
S (t ) C n 1 [a, b ]
(2.8)
Isto significa que quaisquer dois subintervalos polinomiais adjacentes encontram-se no

valor e nas suas n-1 derivadas em cada knot. Splines com poucos knots so geralmente mais
suaves que splines com muitos knots. Entretanto, o aumento do nmero de knots normalmente
aumenta o ajuste da funo spline aos dados. Knots do curva liberdade para mudar de
direo de maneira a se aproximar mais dos dados (SAS, 1999). A mais comum das splines
cbica (n = 3), duas vezes diferencivel (C2).
16
A funo do Matlab utilizada neste trabalho foi spaps, que trabalha com splines
suaves (de aproximao). A funo retorna a B-spline cuja distncia da funo f aos dados
menor do que um valor de tolerncia tol (BOOR, 1999).
n
E ( f ) = w j ( y ( j ) f ( x( j )) )
tol
(2.9)
j =1
onde j so pesos calculados,

ou informados como argumento de entrada, de modo que E(f)
x(n)
seja uma aproximao para ( y f )2 dt segundo a Regra Trapezoidal Composta.
x (1)
2.4 Ondaletas
As ondaletas so ondas de energia finita, de integral nula, conforme Eq. (2.10), que
podem ser simtricas ou assimtricas, suaves ou no, de expresso matemtica simples ou no
(DAUBECHIES, 1992). Alguns conceitos bsicos sobre as principais propriedades das
ondaletas pode ser visto no Apndice C. Veja alguns exemplos de tipos de ondaletas na
Figura 2.4.
(t ) dt = 0
(2.10)
A idia na qual se baseia a transformada das ondaletas originada de Fourier:

aproximar uma funo complexa por uma soma ponderada de funes mais simples, que so
obtidas de uma funo prottipo simples. A funo prottipo, tambm conhecida por funo
base, pode ser imaginada como um tijolo de construo, e a funo original pode ser
aproximada, ou sob certas condies plenamente representada, usando tijolos de construo
similares, com larguras e alturas diferentes (POLIKAR, 1999).
Destaca-se aqui que "ondaletas" a traduo adotada neste trabalho para wavelets.
Ondaletas seriam ondas pequenas (ondelettes, do francs). No est ainda bem definida, no
meio cientfico nacional, uma correta traduo para a Lngua Portuguesa. Alguns autores
utilizam ainda o termo em ingls e outros a traduzem como "ondeletas", devido palavra
francesa.
2.4 ONDALETAS
17
Figura 2.4: Alguns exemplos de famlias de ondaletas. (a) Haar (b) Daubechies4 (c) Coiflet1
(d) Symlet2 (e) Meyer (f) Morlet (g) Mexican Hat.
2.4.1 Histrico
A histria cientfica das ondaletas incomum e marcada por vrias descobertas
independentes e redescobertas. O progresso mais rpido tm ocorrido desde o comeo dos
anos 80, quando uma teoria matemtica coerente de ondaletas finalmente emergiu
(MACKENZIE, 2001).
Em 1807, Jean Baptiste Joseph Fourier anuncia que qualquer funo peridica pode
ser representada como uma soma infinita de senos e cossenos em vrias freqncias. Srias
dvidas sobre a certeza de seus argumentos fizeram com que seus resultados fossem
publicados somente 15 anos mais tarde.
Os matemticos, baseados na teoria de Fourier, expandiram sua idia para funes
no-peridicas (ou ondas) que mudam com o tempo, ao invs de repetirem sempre a mesma
forma. Alfred Haar, um matemtico hngaro, em 1909, descobriu uma base de funes que
so hoje reconhecidas como as primeira ondaletas. Estas funes so simplesmente um
pequeno degrau positivo seguido de um negativo.
Em 1946, Dennis Gabor, um fsico britnico-hngaro, introduziu a transformada de
Gabor, anloga transformada de Fourier, a qual separa uma onda em "pacotes tempofreqncia" ou "estados coerentes" que tem a grande possibilidade de localizao simultnea
no tempo e na freqncia.
Nas dcadas de 70 e 80, as comunidades de processamento de sinais e imagens
introduziram suas prprias verses de anlise das ondaletas, dando os nomes de "subband
coding", "quadrature mirror filters" e "pyramidal algorithm".
18
Em 1981, o engenheiro de petrleo Jean Morlet encontrou uma maneira de decompor

sinais ssmicos no que ele chamou de "ondaletas de forma constante". No seu mtodo, ele
podia separar uma onda em componentes de ondaletas e ento reagrup-las obtendo
novamente o sinal original. Ele pediu ajuda ao fsico quntico Alex Grossmann, do Centre de
Physique Thorique in Marseilles, para ajud-lo a provar que o mtodo funcionava.
Trabalharam juntos por um ano, at confirmarem que as ondas podem ser reconstrudas a
partir de suas decomposies em ondaletas. Em 1984, um artigo conjunto de Morlet e
Grossmann trouxe a palavra "wavelet" ao vocabulrio matemtico pela primeira vez.
Um ano mais tarde, Yves Meyer, da Universidade de Paris, descobriu as primeiras
ondaletas suaves ortogonais. A propriedade matemtica da ortogonalidade torna a
transformada das ondaletas to fcil de trabalhar e manipular quanto a transformada de
Fourier. Ortogonalidade significa que a informao capturada por uma ondaleta
completamente independente da informao capturada por outra. Ele conhecido como um
dos fundadores da teoria das ondaletas. Realizou conexo entre as ondaletas de Morlet e
ondaletas anteriores (encontrou 16 referncias anteriores a Morlet para ondaletas).
Em 1986, Stphane Mallat, ento doutorando em viso computacional na
Universidade da Pensilvnia e aluno de Meyer, mostrou que a base de Haar, as oitavas de
Littlewood-Paley, os gorjeios de Gabor e os filtros de sub-banda de Galand e Esteban estavam
todos relacionados com os algoritmos baseados em ondaletas. Mostrou que existe relao
entre a teoria das ondaletas e a literatura existente de cdigos de sub-banda e filtros
espelhados em quadratura, que so a verso de ondaletas da comunidade de processamento de
imagens. A idia de anlise multi-resoluo, que olhar os sinais em diferentes escalas de
resoluo, j era familiar aos especialistas em processamento de imagem. Mallat, colaborando
com Meyer, mostrou que ondaletas esto implcitas no processo de anlise multi-resoluo.
No ano seguinte, Ingrid Daubechies descobriu toda uma nova clase de ondaletas, as
quais no so s ortogonais, mas podem ser implementadas usando simples idias de filtrao
digital ou usando filtros digitais pequenos. Suas ondaletas so quase to simples de programar
e usar quanto as ondaletas de Haar, porm so suaves e sem os saltos da ondaleta de Haar, ou
seja, Daubechies constriu as primeiras ondaletas suaves ortogonais com suporte compacto.
Os processadores de sinais tinham ento uma ferramenta dos sonhos: um modo de dividir
dados digitais em contribuies de vrias escalas. Combinando as idias de Daubechies e
Mallat, h uma transformada ortogonal simples que pode ser rapidamente usada com
computadores digitais modernos. Suas ondaletas tornam a teoria em uma ferramenta prtica
que pode ser facilmente programada e usada por qualquer cientista com um mnimo de
conhecimento matemtico. Suas ondaletas so as mais utilizadas na prtica (MORETTIN,
1997).
Em 1990, David Donoho e Iaim Johnstone da Universidade de Stanford usaram as
ondaletas para "eliminar rudo" de imagens, fazendo-as mais reconhecidas que as originais.
Na dcada de 90 surgiram as primeiras aplicaes de grande porte das ondaletas, como
seu uso pelo FBI para compresso de dados de impresses digitais, formas feitas por
2.4 ONDALETAS
19
subdiviso de superfcies utilizadas no filme Toy Store 2 e compresso de imagens digitais

chamada JPEG-2000.
Ainda existem dvidas quanto a esta nova teoria das ondaletas. Alguns a vem como
uma grande promessa, outros, com dvidas. Uma boa parte da incredulidade devido aos
vrios nomes que a metodologia ganhou ao longo dos anos, como constant-Q analysis, wideband cross-ambiguity functions, Frazier-Jawerth transforms, perfect reconstruction octaveband filter banks ou variation of Laplacian pyramid decomposition. Umas das vantagens das
ondaletas seria que ela busca unificar todas estas teorias em uma rede comum, permitindo
novas idias e desenvolvimentos (RIOUL e VETTERLI, 1991).
2.4.2 Transformada das Ondaletas

A transformada das ondaletas (Wavelet Transform - WT) tem sido largamente
aplicada, em reas como processamento de sinais e imagens, deteco de singularidades,
anlise de fractais, extrao de tendncias, anlises numricas, eliminao de rudo e
compresso de dados, devido sua aplicao matemtica simples e porque uma ferramenta
que determina simultaneamente a localizao no tempo e freqncia.
A transformada das ondaletas uma ferramenta que divide um sinal em componentes
de freqncias diferentes, e ento estuda cada componente com uma resoluo que combina
com sua escala (DAUBECHIES, 1992). Este processo de diviso do sinal consiste em
multiplicar o mesmo por ondaletas escalonadas e deslocadas, sobre todo o tempo, com relao
a uma ondaleta me (ondaleta original), que a funo base. A Figura 2.5 representa o
processo de decomposio do sinal, tambm chamado de anlise.
Escalonar uma ondaleta equivale a dilat-la (ou comprimi-la), e deslocar uma ondaleta
no tempo o mesmo que translad-la. Assim, uma ondaleta escalonada e deslocada pode ser
representada de acordo com a Eq. (2.11).
a , b (t ) =
1
a
t b
(2.11)
onde a o fator de escala, b o fator de translao ou deslocamento e representa a

ondaleta me (MISITI et al., 1997). O fator 1/a para normalizao da energia do sinal
(para que tenha a mesma energia em todas as escalas).
Quanto maior o fator de escala, mais dilatada a ondaleta. Isto implica trabalhar com
baixas freqncias. Por outro lado, se o fator de escala decresce, h uma compresso da
ondaleta no tempo, aumentando as oscilaes e exibindo componentes de alta freqncia.
Portanto, o fator de escala est inversamente relacionado com a freqncia. Pode-se observar
melhor esta relao escala-tempo pela anlise da Figura 2.6. Assim, a resoluo no tempo se
torna arbitrariamente boa a altas freqncias, enquanto a resoluo na freqncia se torna boa
em baixas freqncias (MISITI et al., 1997).
20
Figura 2.5: Processo de decomposio: envolve etapas de deslocamento e posterior

escalonamento (dilatao) da ondaleta (ALTMANN, 1996).
Figura 2.6: Representao das ondaletas nos domnios da freqncia-escala e do tempo.

Devido a esta caracterstica das ondaletas de anlise de componentes de alta
freqncia em intervalos de tempo curtos e anlise de componentes de baixa freqncia em
intervalos de tempo longos, elas so indicadas para anlise de sinais transientes e que podem
apresentar singularidades, significando que apresentam carter de anlise global e local. A
performance das ondaletas , contudo, destacada para anlise de sinais no-estacionrios. A
escala de resoluo mais baixa (coarsest scale) a de maior escala, e ir de uma escala maior
para uma menor equivale a dar um zoom no sinal (MORETTIN, 1997).
O processo de diviso ou decomposio do sinal pode ser, ento, expressado conforme
a Eq. (2.12).
C (a, b) = Wa,b f (t ) = a
1 2
t b
dt
a
f (t )
(2.12)
2.4 ONDALETAS
21
onde a, b e a 0.
Esta multiplicao produz coeficientes C(a,b) que so como um ndice de semelhana
entre a seo analisada do sinal e a ondaleta. Este processo de decomposio, conhecido como
Transformada Contnua das Ondaletas (Continuous Wavelet Transform - CWT), nada mais ,
portanto, do que a soma no tempo do sinal multiplicado por verses escalonadas e deslocadas
da funo ondaleta . Entretanto, a CWT produz uma anlise redundante, gerando muitos
dados desnecessrios.
Surge, ento, a Transformada Discreta das Ondaletas (Discrete Wavelet Transform DWT), que realiza a anlise apenas com alguns escalonamentos e deslocamentos.
Normalmente, os escalonamentos so de dilatao binria a = 2j e as translaes so didicas
b = ka (DAUBECHIES, 1992; RIOUL e VETTERLI, 1991), da o nome de Transformada
Didica das Ondaletas (Dyadic Wavelet Transform). Uma das vantagens do algoritmo discreto
sua relativa baixa complexidade, a qual aumenta linearmente com o nmero de amostras de
entrada, por um fator constante que depende do comprimento do filtro (RIOUL e VETTERLI,
1991). Neste caso discreto, estamos considerando um caso particular da Eq. (2.11), onde as
ondaletas podem ento ser representadas por
j ,k ( x ) = 2 j 2 (2 j x k )
(2.13)
onde j o nvel associado com a escala e k o parmetro de deslocamento associado com a

posio no tempo (DAUBECHIES, 1992).
Estas ondaletas formam uma base ortogonal {j,k(x), j,k Z}, que apresenta algumas
vantagens, como a reconstruo perfeita do sinal original a partir dos coeficientes da
transformada e que cada coeficiente pode ser calculado como o produto interno do sinal com a
funo base (MORETTIN, 1997). O processo de reconstruo, tambm chamado de sntese,
consiste na obteno de um sinal contnuo no tempo a partir de uma seqncia de nmeros
obtidos pelo processo de amostragem. Salienta-se que amostragem sempre implica em perda
de informao. Entretanto, a quantidade de perda depende do mtodo de amostragem e dos
parmetros associados. importante observar que a taxa de amostragem deve ser maior se o
sinal apresenta componentes de alta freqncia (GOODWIN et al., 2001).
Na transformada didica, o plano tempo-escala pode ser representado como o da
Figura 2.7, onde cada ponto corresponde a uma funo base da ondaleta com escala 2-j e
deslocamento 2-jk (RIOUL e VETTERLI, 1991).
22
Figura 2.7: Representao de amostragens didicas no plano tempo-escala.

Neste caso, uma aproximao de f(x) em uma resoluo 2j significa que alguma
informao sobre f(x) foi perdida. Entretanto, medida que a resoluo aumenta para o
infinito, o sinal aproximado deve convergir com o sinal original. Ao contrrio, se a resoluo
tende para zero, o sinal aproximado contm cada vez menos informao e tambm tende a
zero (MALLAT, 1989).
A DWT pode ser representada pela Eq. (2.14), discretizando a Eq.( 2.12).
C ( j , k ) = f ,
j ,k
= 2 j
f ( x) (2
xk
(2.14)
onde j,k dado pela Eq. (2.13) ou ento por

W 2 j f ( x ) = f 2 j ( x )
(2.15)
onde W2 j f ( x ) representam coeficientes das ondaletas.

No processo de sntese discreta, ocorre o inverso da decomposio, ou seja, o sinal
original obtido a partir dos coeficientes das ondaletas.
f ( x ) = c ( j , k )
j ,k
( x)
(2.16)
jZ kZ
s vezes conveniente considerar uma funo de escala , ou tambm chamada de

ondaleta pai, que uma soluo da Eq. (2.17).
( x) = c k (2 x k )
k
(2.17)
2.4 ONDALETAS
23
Esta funo gera uma famlia ortonormal definida por4
j , k ( x) = 2
j 2
(2 j x k )
(2.18)
Esta propriedade adicional de escalonamento est relacionada com as freqncias

baixas, conforme apresentado na Figura 2.8, permitindo que sejam implementadas por um
banco de filtros (filter bank). Um banco de filtros composto por filtros passa-banda com
largura de banda relativa constante, tambm chamada de anlise "constante-Q", na qual a
freqncia central e a largura de banda da ondaleta caem pela metade em cada escala. Ainda
pode-se dizer que a resposta do filtro no domnio da freqncia regularmente espaada em
uma escala logartmica (RIOUL e VETTERLI, 1991).
Figura 2.8: Exemplo de um banco de filtros para um sinal cuja variao de freqncia de 0
a wn (VALENS, 2004).
Um filtro passa-baixa meia-banda, como o da Figura 2.8, remove todas as freqncias
acima da metade da maior freqncia do sinal. Por exemplo, se um sinal tem um componente
mximo de 1000 Hz, ento o filtro remove as freqncias acima de 500 Hz, e permite a
passagem das freqncias de 0 a 500 Hz (POLIKAR, 2001).
Contudo, na prtica, a filtragem no feita pela convoluo indicada na Eq. (2.15),
mas se calculam os coeficientes atravs de algoritmos que consistem em uma seqncia de
filtros passa-alta g[n] e passa-baixa h[n], no processo denominado de cdigo sub-bandas
(subband coding). Existem vrios algoritmos, como o ilustrado na Figura 2.9, que podem ser
utilizados, de acordo com a finalidade desejada.
As Eq. (2.13) e (2.18) so representadas, em algumas literaturas, de modo um pouco diferente

(MORETTIN, 1997). As equaes podem aparecer sem os sinais de "negativo" junto ao nvel j. Isto
implica numa inverso de conceitos da relao entre o fator de escala e a resoluo, e conseqente
alterao de outras equaes apresentadas neste trabalho.
24
Figura 2.9: Banco de filtros do processo de decomposio (POLIKAR, 2001).

Na Figura 2.9, x[n] o sinal original, com freqncias que variam entre 0 e
rad/s . O smbolo 2 indica o processo de decimao ou reduo de amostragem
(downsampling), o qual faz uso do que se chama de amostragem crtica, em um processo no
qual no h redundncia de amostras. A cada duas sadas do filtro, uma desprezada. Neste
exemplo, 3 nveis de decomposio foram representados. Portanto, se o sinal original tivesse
16 pontos amostrados, resultariam 4 coeficientes de cada filtro no terceiro nvel. A resoluo
na freqncia est representada na Figura 2.8. Este processo de reduo de amostragem
realizado de modo a reduzir a quantidade de dados a serem analisados e para garantir a
incerteza tempo-freqncia implcita da anlise ( medida que a anlise se torna mais precisa
para componentes da freqncia do sinal, ela se torna menos precisa para o instante de tempo
em que ocorrem) (BRADLEY e WILSON, 2004).
5
Aps passar o sinal por um filtro passa-baixa meia-banda, metade das amostras podem
ser eliminadas, de acordo com a regra de Nyquist, visto que o sinal tem agora uma freqncia
mxima de /2 rad/s ao invs de radianos. Descartando uma em cada duas amostragens far
o sinal ter metade do nmero de pontos e a escala dobrada. Note que o filtro passa-baixa
remove a informao de alta freqncia, mas deixa a escala igual. Apenas o processo de
reduo de amostragem muda a escala. A resoluo, por outro lado, est relacionada com a
quantidade de informao do sinal, e portanto, afetada pelas operaes de filtrao. Filtros
5
Em sinais discretos, a freqncia expressa em termos de radianos. Assim, a freqncia de

amostragem de um sinal igual a 2 radianos em termos da freqncia radial. Por isso, o componente
de freqncia mxima que existe em um sinal ser radianos, se o sinal amostrado na taxa de
Nyquist (maior que o dobro da maior freqncia contida no sinal a ser amostrado, para que possa ser
reproduzido integralmente sem erro de aliasing). Assim, a taxa de Nyquist corresponde a rad/s no
domnio discreto da freqncia (POLIKAR, 2001).
2.4 ONDALETAS
25
passa-baixa meia-banda removem metade das freqncias, o que pode ser interpretado como
perda da metade da informao. Portanto, a resoluo reduzida metade aps a operao de
filtrao. Note tambm que a operao de reduo de amostragem aps filtrao no afeta a
resoluo, visto que a remoo de metade dos componentes espectrais do sinal faz o nmero
de amostras redundantes cair pela metade de qualquer forma. Metade das amostras podem ser
descartadas sem perda de informao. Em resumo, o filtro passa-baixa reduz a resoluo
metade, mas mantm a escala constante. O sinal ento reduzido metade visto que metade
do nmero de amostras redundante. Isto dobra a escala.
Em cada nvel de decomposio do sinal, como apresentado na Figura 2.9, resultam
coeficientes das ondaletas (ou de detalhe), dj ou W2 j f , e coeficientes de aproximao, aj.
a j [n] = f ( x), 2 j ( x n)
(2.19)
d j [n] = Wf (n, 2 j ) = f ( x), 2 j ( x n)
(2.20)
Os coeficientes de detalhe resultam dos filtros passa-alta g[n], e esto, portanto,

relacionados s caractersticas de alta freqncia do sinal, que do nuances ao sinal. Os
coeficientes de aproximao esto relacionados aos componentes de baixa freqncia
presentes no sinal, responsveis pela identidade do sinal, que so os componentes mais
suaves. Assim, se uma mudana brusca anormal ocorre no sinal, os coeficientes de detalhe
sero afetados. Estes coeficientes tambm indicam o incremento de resoluo necessrio para
ir de uma aproximao mais suave para uma aproximao de maior resoluo. Esta idia de
aproximaes consecutivas a resolues melhores forma o conceito de "anlise multiresoluo" (multiresolution approximation ou multiresolution analysis - MRA) (MALLAT,
1999).
Ento, dois eventos bruscos muito prximos podem ser sempre separados na anlise
indo para uma freqncia de anlise mais alta de modo a aumentar a resoluo no tempo,
conforme a Figura 2.6. Este tipo de anlise funciona melhor, logicamente, para sinais que
possuem componentes de alta freqncia de curta durao, o que normalmente o caso dos
sinais encontrados na prtica (RIOUL e VETTERLI, 1991).
O filtro h determinado pela funo de escala e suas propriedades. Como o nmero de
escalas aumenta, o nmero de bancos de filtros vai para o infinito, como pode ser visto na
Figura 2.8. Em particular, a funo de escala compactamente suportada se e somente se h
tem um nmero finito de coeficientes no-zero. Os filtros h e g so filtros de Resposta Finita
ao Impulso (FIR), que caracterizam ondaletas de suporte compacto (Apndice C).
Pode-se verificar que os nveis so representados por dilataes da base das funes,
como a da Eq. (2.17), e, portanto suas resolues podem ser relacionadas entre si. Assim,
existe uma "equao de dilatamento" que relaciona dois nveis de resoluo consecutivos
(DAUBECHIES, 1992). H necessariamente uma seqncia de nmeros reais h[n] tal que
26
(x ) = 2
h[n] (2 x n)
(2.21)
Da mesma forma, a relao entre os filtros passa-baixa e passa-alta pode ser expressa
por
(x ) = 2
g [ n] ( 2 x n )
(2.22)
sendo que os filtros h e g so relacionados, ento, por

n
g (L 1 n ) = ( 1) h(n )
(2.23)
onde L o comprimento do filtro (que deve ser par). O fator (-1)n converte o filtro passa-baixa
em um passa-alta, de modo que g o espelho de h. Assim, os filtros h e g so filtros
espelhados em quadratura (quadrature mirror filters - QMF) (MALLAT, 1989).
Figura 2.10: Filtros espelhados em quadratura (QMF).

A desvantagem da DWT a varincia no tempo, causada pela reduo de amostragem
(gerao de aliasing). Este efeito cancelado quando o processo inverso executado usando
todos os coeficientes das ondaletas (ou seja, quando o sinal original reconstrudo). Isto
significa que a DWT seguida de reconstruo invariante no tempo somente quando todos os
coeficientes das ondaletas so utilizados para realizar a reconstruo. Como coeficientes no
so includos na reconstruo, quer dizer, como uma sub-banda nica extrada, o efeito de
aliasing no mais cancelado e a sada no mais invariante no tempo. Isto quer dizer que,
para tornar a DWT ortogonal, amostragem crtica deve ser realizada. Entretanto, ao se realizar
2.4 ONDALETAS
27
qualquer sub-amostragem um certo grau de varincia no deslocamento ir ocorrer

(BRADLEY e WILSON, 2004).
Este conceito de invarincia no tempo est representado pela Figura 2.11, onde f(t)
uma funo e a um nmero real, de modo que fa(t) = f(t-a) . Ou seja, fa um deslocamento
no tempo, por a unidades, do sinal f (BOGGESS e NARCOWICH; INGLE e PROAKIS,
1997).
Figura 2.11: L invariante no tempo se as duas sadas forem iguais.

A vantagem de se utilizar uma metodologia redundante a obteno da invarincia no
tempo (mais detalhes veja Apndice A). Se uma velha gravao for tocada s 15h do dia de
hoje e o sinal for passado em um filtro de reduo de rudo, se ouvir um sinal de sada limpo,
sem interferncias, aproximadamente no mesmo instante de tempo que a gravao for tocada.
Se a mesma gravao for tocada s 10h da manh do dia seguinte, e o mesmo filtro for
utilizado, a mesma sada deveria ser escutada, aproximadamente no mesmo instante de tempo.
Uma das maneiras de tornar a anlise das ondaletas invariante no tempo realizando
uma transformada redundante das ondaletas. Esta idia foi desenvolvida independentemente
por vrios pesquisadores ao longo dos ltimos anos e acabou recebendo diferentes nomes,
incluindo algorithme trous (HOLSCHNEIDER et al., 1989; DUTTILEX, 1989),
redundant wavelet transform (BURRUS et al., 1997), stationary wavalet transform
(MISITI et al., 2006), undecimated DWT (LANG et al., 1996), overcomplete DWT
(ZACIU et al., 1996), shift-invariant DWT (LANG et al., 1995) e discrete wavelet
frames (UNSER, 1995). Observa-se que a transformada contnua (CWT) tambm
invariante no tempo, pois no realiza nenhuma reduo de amostragem.
Assim, existem vrias maneiras de implementar a DWT redundante e de representar o
conjunto supercompleto de coeficientes resultantes. A implementao original e mais simples
foi na forma do algorithme trous (HOLSCHNEIDER et al., 1989; DUTTILEX, 1989)
que, basicamente, remove o operador de decimao (reduo de amostragem) da
implementao usual da DWT. Neste caso, ao invs de decimar o sinal, zeros so inseridos
(holes em ingls ou trous em francs) entre os coeficientes no-nulos dos filtros, segundo
mostra a Figura 2.12. Ou seja, o filtro (ondaleta-me) "dilatado" para levar em conta o
reescalonamento, e a convoluo realizada sem reduo e aumento de amostragem
(MALLAT, 1999). O processo dito redundante pois cada conjunto de coeficientes contm o
mesmo nmero de amostras da entrada, de modo que, para uma decomposio de n nveis, a
redundncia de 2n. nesta metodologia que se baseia este trabalho, segundo o mecanismo
apresentado na Figura 2.13, onde aj so os coeficientes de aproximao e dj os coeficientes
28
de detalhe no nvel j. Uma descrio mais detalhada tambm pode ser encontrada em
MERTINS (1999).
Figura 2.12: Esquema de computao dos filtros passa-baixa e passa-alta na transformada

discreta estacionria das ondaletas.
Figura 2.13: Banco de filtros segundo o Algorithme Trous proposto por Mallat. a) etapa de
decomposio. b) etapa de reconstruo.
Uma das desvantagens da DWT redundante que requer maior esforo
computacional, memria e correes de efeito de borda significativas, visto que a ondaletame dobra seu comprimento a cada nvel de decomposio. Alm disto, a DWT redundante
estritamente invariante no deslocamento sob convoluo circular, ou seja, quando extenso de
borda peridica utilizada (BRADLEY e WILSON, 2004).
A decomposio do sinal aj, conforme Figura 2.13, gera os sinais aj+1 e dj+1. O sinal
aj+1 pode ser decomposto gerando um sinal aj+2 com menor resoluo e um sinal de detalhes
dj+2, e assim por diante. Da mesma forma, na etapa de reconstruo, um sinal aj pode ser
obtido a partir dos sinais aj+1 e dj+1.
Os coeficientes de aproximao e detalhe so obtidos (MISITI et al., 1997), para j 0
e hj[n] = h[-n], por
a j +1 [n] = a j h j [n]
(2.24)
2.4 ONDALETAS
29
d j +1[n] = a j g j [n]
(2.25)
A sada aj+1 de um filtro FIR para qualquer sinal de entrada pode ser calculada pela
convoluo do sinal de entrada aj com a resposta ao impulso do filtro, expressa pelos
coeficientes do filtro hj[n]. Genericamente, para um dado filtro X com coeficientes X[n], Xj[n]
denominado o filtro obtido pela insero de 2j-1 zeros entre cada coeficiente X (MALLAT,
1999).
De modo equivalente, o processo de reconstruo discreta calculado por:
a j [n] =
~
1
a j +1 h j [n] + d j +1 g~ j [n]
2
(2.26)
No processo de reconstruo do sinal, a funo f(x) associada ao vetor de dados

original pode ser calculada segundo a Eq. (2.27).
1
f ( x) = a J ,i J ,i ( x) + d j , k j ,k ( x)
iI J
(2.27)
j = J kk j
No caso especfico do trabalho que ser apresentado nos captulos seguintes, o

algoritmo das ondaletas baseado no trabalho de JIANG et al. (2003), onde uma ondaleta
de primeira ordem, i.e., a derivada de primeira ordem da funo de escala , segundo a Eq.
(2.28).
( x) =
d ( x)
dx
(2.28)
Substituindo a Eq. (2.28) na Eq.(2.15) resulta:
d j
W2 j f ( x) = f 2 j 2
dx
d
=2j
f j ( x )
dx 2
(2.29)
onde
a ( x) =
x

a a
(2.30)
Como a ondaleta a derivada de uma funo suave, (2.29) prova que proporcional
derivada do sinal original suavizado na escala 2j. O fato de a ondaleta ser a derivada da
funo de escala traz uma vantagem importante para o processo de decomposio, que a
obteno direta da derivada do sinal aproximado nos coeficientes de detalhe. Algumas outras
ondaletas poderiam ter sido escolhidas para analisar o sinal, como a ondaleta de Daubechies
apresentada na Figura 2.4. No caso da seleo da ondaleta-me de Daubechies, ela tima
30
em termos de possuir comprimento de suporte mnimo para um dado nmero de momentos

nulos, mas no tima com relao simetria e suavidade (Apndice C). Suporte compacto
implica em ter complexidade computacional reduzida (pois ondaletas menores possuem
menos multiplicaes na integral da convoluo) e comprimento de qualquer extenso de
borda reduzido (BRADLEY e WILSON, 2004). Entretanto, a seleo da ondaleta do tipo
spline se deve ao fato da ondaleta-pai ser suave e simtrica, e da ondaleta-me possuir suporte
compacto, ser o mais regular possvel e anti-simtrica (MALLAT e ZHONG, 1992). Isto
confere boas propriedades ondaleta, como localizao de singularidades e descontinuidades
(Apndice C), o que importante principalmente em sinais ruidosos. Na verdade, h poucos
comentrios na literatura sobre a escolha de determinado tipo de ondaleta para uma
determinada aplicao, mas no deve haver grande diferena entre sinais reconstrudos a
partir de ondaletas-mes diferentes.
Como apresentado anteriormente, aqui tambm a aplicao prtica se faz por meio de
uma seqncia de filtros passa-alta e passa-baixa, propostos por MALLAT e ZHONG (1992),
que caracterizam funes do tipo spline. A funo ondaleta uma spline quadrtica, derivada
da funo de escala, que uma spline cbica. As funes so apresentadas na Figura 2.14, e
so representadas, no domnio da freqncia, pelas Eq. (2.31) e (2.32).
sin( / 4)
/4
( ) = i
sin( / 4)
( ) =
/4
(2.31)
(2.32)
Figura 2.14: Funo de escala spline cbica e funo ondaleta spline quadrtica
Estas funes so representadas pelos coeficientes dos filtros passa-alta e passa-baixa

apresentados na Tabela 2.1, os quais foram calculados por MALLAT e ZHONG (1992). Os
filtros H e G so os filtros de decomposio passa-baixa e passa-alta, enquanto K o filtro de
reconstruo passa-alta. O filtro de reconstruo passa-baixa o complexo conjugado de H.
2.4 ONDALETAS
31
Tabela 2.1: Respostas ao impulso dos filtros H, G e K.

n
-3
-2
-1
0
1
2
0,125
0,375
0,375
0,125
-2,0
2,0
K
0,0078125
0,054685
0,171875
-0,171875
-0,054685
-0,0078125
Estes filtros so utilizados diretamente no algoritmo desenvolvido por MALLAT e

ZHONG (1992), para decomposio e reconstruo do sinal, o qual descrito
esquematicamente atravs do seguinte grupo de equaes:
decomposio :
j=0
while j < J
1
W 2 j +1 f =
S2 j f G j
S 2 j +1 f = S 2 j f H j
j = j +1
end
reconstruo :
j=J
while j > 0
~
S 2 j 1 f = j W2 j f K j 1 + S 2 j f H j 1
j = j 1
end
(2.33)
onde os fatores j so coeficientes de normalizao de energia em cada escala 2j. A norma de

qualquer verso transladada ou deslocada da ondaleta-me a mesma da prpria ondaletame, ou seja, assegura que todas as ondaletas em todas as escalas tenham a mesma rea e
contenham a mesma energia (ALSBERG et al., 1997), pois, devido discretizao, o mdulo
mximo da ondaleta em um ponto de mximo no tem a mesma amplitude para todas as
escalas como deveria no modelo contnuo. A constante j compensa este efeito discreto
(MALLAT e ZHONG (1992)). Os valores de j que correspondem aos filtros da Tabela 2.1
esto mostrados na Tabela 2.2.
32
Tabela 2.2: Coeficientes de normalizao j para a ondaleta spline quadrtica.

Para j > 5, j = 1.
j
1
2
3
4
5
1,50
1,12
1,03
1,01
1,00
2.4.3 Comparao com a Transformada de Fourier

Cabe aqui alguns comentrios para a comparao entre as transformadas das ondaletas
e de Fourier, visto suas similaridades e metodologia equivalente.
A transformada de Fourier (Fourier Transform) discreta no tempo pode ser
representada como
X ( ) =
x[k ]e
jk
(2.34)
k =
onde x[k] um sinal discreto obtido por amostragem de x(t) nos instantes de tempo t = k
(k = 0,1,2,...), de modo que x[k] = x(k), e o intervalo de tempo de amostragem associado
(LEVINE, 1996).
Como mostra a Eq. (2.34), os coeficientes de Fourier so computados como produto
interno do sinal por uma funo base senoidal de durao infinita. Assim, a anlise de Fourier
trabalha bem para sinais compostos de uns poucos componentes estacionrios (como ondas
senoidais). Entretanto, qualquer mudana brusca no tempo em um sinal no-estacionrio
estar espalhada sobre todo o eixo de freqncia. Portanto, uma anlise adaptada para sinais
no-estacionrios requer mais do que uma transformada de Fourier (RIOUL e VETTERLI,
1991).
A transformada das ondaletas semelhante STFT (Short-Time Fourier Transform),
uma tcnica de transformada de Fourier que trabalha com janelas mveis no tempo. A STFT,
porm, trabalha com regies de tamanho constante, como mostra a Figura 2.15, enquanto a
WT possui regies de tamanho varivel, conforme a Figura 2.6.
Assim, a principal diferena que as distribuies das funes no tempo e na
freqncia so constantes na STFT, enquanto na WT a distribuio do tempo funo da
escala e a distribuio da sua freqncia proporcional ao inverso da escala. Assim, se uma
janela foi escolhida para a STFT, ento a resoluo tempo-freqncia definida e fixa em
todo o plano tempo-freqncia, j que a mesma janela usada para todas as freqncias.
33
Freqncia
2.5 ANLISE POR COMPONENTE PRINCIPAL
Tempo
Figura 2.15: Representao da STFT.

Isto gera uma propriedade importante das ondaletas. Enquanto a transformada de
Fourier uma representao global do sinal, isto , ela no pode analisar comportamentos de
freqncias locais, WT pode analisar tanto comportamentos globais quanto locais
(regularidade local do sinal). A STFT tem uma resoluo de freqncia e tempo constantes, e
esta resoluo pode ser alterada atravs da mudana da janela. Portanto uma representao
completa, estvel e redundante do sinal. Ao contrrio, WT tem uma resoluo de freqncia e
tempo que dependem da escala, de modo que em escalas finas h uma melhor resoluo no
tempo (MALLAT, 1999).
Bons artigos de referncia que comparam Fourier com ondaletas de maneira didtica e
com ilustraes so ABSBERG et al. (1997) e RIOUL e VETTERLI (1991).
2.5 Anlise por Componente Principal

Uma das tcnicas multi-variveis mais utilizadas para simplificar e melhorar os
procedimentos de monitoramento de processos a Anlise por Componente Principal
(Principal Component Analysis - PCA), visto que uma tcnica tima em capturar a
variabilidade dos dados. PCA uma tcnica linear de reduo de dimensionalidade, na qual
os dados so projetados em um espao dimensional menor que o original, mas que representa
o estado do processo. Isto significa que a estrutura de correlao entre as variveis de
processo preservada neste espao de dimenso reduzida (CHIANG et al., 2001).
Na tcnica de PCA, os dados so decompostos em um novo conjunto de vetores
ortogonais, denominados vetores de carga, que so combinaes lineares dos vetores de dados
originais. Estes novos vetores so ordenados de acordo com a informao contida ou
varincia compreendida, conforme a Figura 2.16.
34
Figura 2.16: Ilustrao da tcnica de PCA.

No exemplo da Figura 2.16, duas medidas de processo foram realizadas. Observa-se
que os dados apresentam uma elevada correlao pois, medida que a varivel 1 aumenta, a
varivel 2 tambm aumenta. O primeiro autovetor v1 a direo na qual os dados apresentam
maior variabilidade, enquanto o segundo vetor v2 ortogonal ao primeiro, na direo da maior
variabilidade residual. Observa-se que v2 necessrio apenas para explicar o rudo nos dados.
Assim, se apenas o vetor v1 usado para representar os dados, ento uma reconstruo suave
dos dados possvel (LEVINE, 1996).
Assim, dado um conjunto de dados X representado na matriz abaixo, onde as variveis
representam as colunas e as amostras representam as linhas,
x11
x
X = 21
M
x n1
x12
x 22
M
xn 2
K x1m
K x 2 m
O M
K x nm
(2.35)
deseja-se determinar um conjunto de vetores de carga v (CHIANG et al., 2001) pela resoluo
dos pontos estacionrios do problema de otimizao
max
v 0
vT X T X v
vT v
(2.36)
A obteno destes vetores de carga pode ser realizada por decomposio em valores
singulares (singular value decomposition - SVD). Assim, se v so as colunas da matriz V, U e
V so matrizes unitrias, e S uma matriz diagonal com elementos no-negativos em ordem
decrescente, tem-se que
2.5 ANLISE POR COMPONENTE PRINCIPAL
35
X =U S VT
(2.37)
onde
v11
v
V = 21
M
v m1
v12
v22
M
vm2
K v1m
K v 2 m
O
M
K v mm
(2.38)
K 0
K 0
O M
K m
(2.39)
1 0
0
2
S=
M
M
0 0
Para reduzir a dimenso da matriz de dados X, determina-se o nmero de fatores

significativos desejados a (a m) e constri-se a matriz P a partir da matriz V.
v11
v
P = 21
M
v m1
v12
v 22
M
vm2
K v1a
K v 2 a
O M
K vma
(2.40)
A seguir so obtidas as projees das variveis originais no novo espao formado por
T(tk), onde T a matriz que contm os componentes principais tk, que so as novas variveis
ortogonais. O primeiro vetor da matriz T(t1) contm a informao da maior variabilidade,
enquanto o segundo vetor contm a seguinte maior quantidade de varincia compreendida
aps a remoo do primeiro efeito, e assim por diante. Estes componentes principais so
determinados pela multiplicao das medidas reais pelos vetores de carga, e tambm so
chamados de escores (LEVINE, 1996).
T = X P
(2.41)
Se apenas alguns vetores de carga foram utilizados, ento X ser aproximada por
X = T P T
(2.42)
E = X X
(2.43)
e ento
36
Ou seja, se todos os autovetores foram utilizados (a = m), as matrizes X e X so

idnticas, de modo que o erro E nulo, e a reconstruo perfeita de X obtida (LEVINE,
1996).
2.5.1 Variveis Escalonadas

Como uma etapa de pr-processamento, realiza-se a centralizao e escalonamento dos
dados de processo (LEVINE, 1996).
A centralizao tem o objetivo de eliminar o vis (bias) dos dados, e necessrio
porque PCA captura a informao (varincia) que h em comum nos dados. Portanto, se h
um vis (bias) essa ser a principal informao que os dados tm em comum. A centralizao
realizada subtraindo da cada varivel Xi a sua mdia X i .
O escalonamento realizado para que todas as variveis adquiram a mesma
importncia, ou o mesmo grau de magnitude, no caso de variveis que tenham medidas com
valores grandes e outras que possuam valores pequenos. realizado pela diviso dos dados
pelo desvio padro i de cada varivel.
~
Assim, o resultado da etapa de pr-processamento uma varivel X i centralizada e
escalonada, segundo a Eq. (2.44).
X Xi
~
Xi = i
(2.44)
Captulo 3
Derivada de Sinais Ruidosos
A anlise e processamento de sinais com rudo um problema comum para dados
reais de processos, principalmente quando este sinal aplicado em metodologias que
requerem sua derivada. Ferramentas que podem fazer uso da derivada de um sinal so
identificao de modelos, determinao de estados estacionrios, compresso de dados,
clculo de variabilidades, entre outras.
A derivada de um sinal ruidoso fica mascarada pelo prprio rudo e no apresenta de
forma clara os pontos de inflexo desejados para a anlise do sinal. Faz-se necessrio,
portanto, passar o sinal por um filtro de modo a reduzir ou eliminar o rudo antes de processlo ou, ento, obter a tendncia que este sinal apresenta. Neste trabalho, portanto, considera-se
que a tendncia uma aproximao do sinal original, o sinal que obtido aps a eliminao
do rudo.
Neste trabalho so apresentadas comparativamente algumas maneiras de obter a
tendncia de um sinal e sua derivada. Trs alternativas comumente empregadas para remoo
de rudos so comparadas: (i) uso de filtros discretos do tipo passa-baixa (filtros Butterworth);
(ii) aproximao por Splines e (iii) tendncias obtidas por Ondaletas (Wavelets). Alguns tipos
de sinais foram criados no Simulink / MATLAB e tiveram sua tendncia estimada, sendo,
ento, derivados e comparados. Aqui sero apresentados quatro tipos de sinais gerados:
degrau com rudo, seqncia de degraus, sinal senoidal e rampa com descontinuidades. Os
mtodos foram comparados segundo diversos critrios, tais como: qualidade da tendncia,
qualidade da derivada, simplicidade de configurao/ajuste e esforo computacional.
3.1 Gerao dos Sinais

Alguns tipos de sinais, com caractersticas diferentes, foram gerados no Simulink /
MATLAB. Os sinais esto detalhados nas sees seguintes.
38
3. DERIVADA DE SINAIS RUIDOSOS
As tcnicas de obteno de tendncia de um sinal foram implementadas no MATLAB.

Para o caso de filtros Butterworth, utilizou-se a funo idfilt; para Splines, as funes
utilizadas foram spaps e spap2 e, para Ondaletas, um algoritmo foi desenvolvido, baseado nos
filtros criados por MALLAT e ZHONG (1992) e descrito em JIANG et al.(2003), conforme
ser apresentado na seo 3.2.
Utilizando o filtro de Butterworth, atravs da funo idfilt, os dados filtrados so
obtidos aps filtrao nos sentidos direto e reverso, e necessrio informar dois parmetros: a
ordem do filtro n e a freqncia de corte c. Aqui deve-se lembrar que, quanto maior a ordem
do filtro, mais ele se aproxima de um filtro ideal (n ), porm mais amostras so
necessrias para se efetuar o clculo, ou seja, o tamanho do filtro aumenta.
Splines, implementada com a funo spaps, utiliza B-spline para a obteno de sinal
suave aproximado, e necessita de um parmetro, que uma tolerncia tol. Esta tolerncia,
conforme descrito no Captulo 2, o limite aceitvel entre a curva ajustada aos dados e os
dados amostrados em si.
A implementao de splines na funo spap2 se d por mnimos quadrados, onde so
informados dois parmetros de entrada: a ordem da spline k e o nmero de pontos de controle
(knots) nknt, que compe uma seqncia de pontos de controle de modo que a funo seja
aproximada tentando minimizar a diferena entre a funo aproximada e os dados reais.
Por fim, para a utilizao do algoritmo baseado em Ondaletas, apresentado na seo
seguinte, so necessrios dois parmetros de entrada, que so a constante de tempo e um
perodo de dados histricos l.
Estes parmetros necessrios para a obteno das tendncias foram escolhidos de
modo que se obtivesse a melhor tendncia com relao referncia. Para cada mtodo, os
valores dos parmetros foram variados aleatoriamente e, de acordo com a resposta,
escolheram-se os valores mais adequados.
3.2 Algoritmo para as Ondaletas

A tcnica de extrao da tendncia de um sinal foi baseada no trabalho de
JIANG et al. (2000 e 2003), tendo como base a anlise multi-resoluo das ondaletas. O
algoritmo decompe o sinal em vrias escalas, elimina o rudo branco e os picos anormais, e
ento reconstri o sinal.
O processo inicia com a decomposio do sinal original (transformada das ondaletas
no sinal) gerando aj e dj em cada escala j. O algoritmo baseado nos filtros espelhados em
quadratura h e g propostos por MALLAT e ZHONG (1992), onde hj e gj so filtros com 2j-1
zeros interpolados entre dois coeficientes sucessivos. Os filtros caracterizam uma ondaleta do
tipo spline quadrtica.
3.2 ALGORITMO PARA AS ONDALETAS
39
Na etapa seguinte, aplica-se um valor de corte em dj para as escalas 1 < j < J,

conforme Eq. (3.1), obtendo-se dj'. O valor de corte para a primeira escala d1 atribudo como
a mdia do mdulo dos coeficientes de detalhe dos dados histricos (1), pois, na escala j = 1,
a WT completamente dominada pelo rudo.
0
se d j , k j
d ' j ,k =
sgn( d j , k )( d j ,k j ) se d j ,k > j
(3.1)
j = 1 2 ( j 1) / 2
(3.2)
onde, para 2 j J,
Em seguida, picos anormais, como pulsos (spikes), so detectados e removidos com a

tcnica de extenso simtrica para as escalas 2 < j < J, resultando em novos dj' e aj' (Apndice
B). Os pulsos so identificados (Eq. (3.3)) quando ocorre um par de coeficientes de detalhe
com sinal contrrio e de magnitude superior a um valor de corte T1 e cuja durao menor
que um intervalo de tempo tp, estimado como 1/5 da constante de tempo. Isto corresponde a
uma mudana brusca nos dados de processo.
WT1 ( p1 ), WT1 ( p 2 ) T1
(3.3)
p 2 p1 t p
sign[WT1 ( p1 )] sign[WT1 ( p 2 )] = 1
O valor de corte T1 para identificao de um pulso p calculado pelo desvio padro
WT do mdulo dos coeficientes de detalhe de dados histricos numa escala J definida.

1
T1 = 3 1 WT1
(3.4)
O parmetro 1 ajustado em torno de 1,0, e determinado de acordo com a

variabilidade das medidas e sua sensibilidade operao. Se uma indstria trabalha com a
regra de 3, se 1 = 1,0, ou T1 = 3 WT1 , isto indica que o percentual de pontos fora de
especificao (anormalidades) de 0,3% (OAKLAND, 2003).
A durao do pulso [ta,tb] determinada de modo que ta seja o ponto esquerdo mais
prximo de p1 e tb seja o ponto a direita mais prximo de p2 e que satisfazem
W f (t a ) , W f (tb ) T2
W f (t a 1) , W f (tb + 1) < T2
(3.5)
onde T2 um valor de corte determinado como a mdia do mdulo dos coeficientes de detalhe
de dados histricos.
40
Na etapa seguinte, o sinal reconstrudo usando os coeficientes aj' e dj', a partir da

escala j = J at 1.
A tendncia do sinal fs extrada na escala caracterstica j = s, onde s determinada
pela constante de tempo e pelo tempo de amostragem ts, conforme Eq. (3.6).
s = int log 2 + 0,5 + 0,5

ts
(3.6)
3.2.1 Determinao dos Parmetros

A constante de tempo pode ser estimada atravs da relao entre variveis
manipuladas e controladas de configurao do algoritmo utilizando, por exemplo, um modelo
de identificao ARX de ordem 10 obtido com o MATLAB System Identification Toolbox.
A seguir a resposta degrau deste modelo de elevada ordem aproximada pelo mtodo SK
(SUNDARESAN e HRISHNASWAMY, 1977), o qual permite estimar a constante de tempo
dominante do sistema.
Como parmetro de entrada no algoritmo, a constante de tempo deve ser informada em
funo do nmero de amostragens. Por exemplo, se o intervalo entre duas amostragens de
10 segundos, e a constante de tempo calculada foi de 2 minutos, o valor a ser informado ao
algoritmo 12 (6 amostragens/min * 2 minutos).
Por perodo histrico considera-se uma seqncia de dados de processo com boa
variabilidade, que represente bem as caractersticas da varivel. Se o conjunto selecionado
possui pouca variabilidade e muito bem comportado, o algoritmo calcular uma estreita
faixa para que os dados sejam considerados estacionrios. Ao contrrio, se a variabilidade dos
dados a maior possvel dentro de um limite aceitvel, ento a faixa calculada pelo algoritmo
ser maior, e mais dados podero ser considerados estacionrios. Uma verificao detalhada
deste comportamento est apresentada na seo 4.3.2.
3.3 Clculo das Derivadas

As derivadas dos sinais gerados e das tendncias obtidas foram calculadas
numericamente baseadas em diferenas finitas para todos os sinais e para todas as
metodologias. Este clculo foi realizado atravs da funo diff do MATLAB.
A diferenciao por diferenas finitas, que uma maneira de se obter numericamente
as derivadas, pode reduzir bastante a preciso dos resultados, visto que a derivada possui alta
sensibilidade a valores imprecisos da funo que est sendo diferenciada. O mesmo no
ocorre para integrao numrica, que muito mais insensvel s funes porque possui um
efeito atenuante que diminui o efeito das imprecises nos valores da funo que est sendo
integrada (BOURG, 2006).
3.3 CLCULO DAS DERIVADAS
41
Quando se possui uma expresso analtica para a funo considerada, prefere-se

utiliz-la ao invs de realizar-se a diferenciao numrica. Por outro lado, se dados foram
experimentalmente obtidos (sem expresso analtica para a funo), ento s resta a utilizao
de diferenciao numrica. Para estes casos, apresentam-se a seguir algumas consideraes.
Por definio, a derivada de uma funo representada como:
df (t )
f (t + t ) f (t )
= lim
t 0
dt
t
(3.7)
Quando os dados tabelados representam uma funo, no se pode considerar que t

tende a zero. Neste caso, a funo avaliada em algum ponto t e depois em outro ponto t+t,
que uma distncia finita t a partir de t. Neste caso, a derivada da funo pode ser
aproximada por diferenas finitas, de acordo com a Eq. (3.8).
df (t )
f (t + t ) f (t ) f (t + t ) f (t )
= lim
t 0
dt
t
t
(3.8)
medida que t menor, esta aproximao deve ser mais acurada. O problema de
dados de processo que normalmente o intervalo de amostragem t no to pequeno quanto
se gostaria que fosse para efeitos de obteno de derivadas. Mas ainda assim pode-se pelo
menos aproximar a derivada para uma funo.
Existem algumas maneiras diferentes para trabalhar com um conjunto de dados de
processo de modo a obter-se a derivada. Podem-se utilizar diferenas ascendentes, diferenas
decrescentes ou diferenas centrais. Pode-se facilmente mostrar que o mtodo por diferenas
centrais leva a resultados mais adequados do que os mtodos de diferenas ascendentes ou
descendentes (BOURG, 2006). Por esta razo, normalmente esta metodologia preferida com
relao s demais. A aproximao por diferenas centrais tem o efeito de suavizar a derivada
no ponto visto que considera os valores anterior e prximo ao ponto considerado. Ou seja, a
metodologia considera os valores vizinhos dos pontos. As curvas das derivadas no so to
suaves quanto as curvas obtidas pelas derivadas tericas, mas so melhores que as curvas
obtidas por diferenciao ascendente ou decrescente.
Outras tcnicas se basearam nestes efeitos das derivadas centrais, de modo a buscarem
suavizar os dados tabelados antes de calcular a derivada numrica com o objetivo de aumentar
a preciso. Por exemplo, pode-se interpolar uma funo ao conjunto de dados e ento usar a
expresso analtica resultante da curva de ajuste para derivar uma expresso para obter a
derivada. Na realidade, estas tcnicas implicam em resultados mais suaves para a derivada e
servem de base para diversos mtodos numricos que requerem clculos de derivadas.
Outro modo realizar a derivada numrica como apresentado e ento ajustar uma
curva aos dados para obter uma curva suave para a derivada. Pode-se mostrar que os
resultados assim obtidos so melhores do que o prprio mtodo de diferenas centrais
(BOURG, 2006).
42
3.4 Sinal 1
O primeiro sinal gerado para anlise e comparao do melhor mtodo de obteno de
tendncias foi um sinal com um degrau positivo num dado instante de tempo e outro degrau
negativo, de mesma magnitude, 100 intervalos de tempo depois, e tomado por rudo. O sinal
tambm foi gerado para apresentar dois picos anormais nos instantes de tempo de 240 e 720.
O sinal foi gerado de acordo com o sistema apresentado na Figura 3.1.
No caso deste primeiro sinal gerado, a ordem do filtro Butterworth n e a freqncia de
corte n foram considerados 2 e 0,15 respectivamente. Para as Splines a tolerncia tol
estabelecida foi de 500, a ordem k igual a 4 e o nmero de pontos de controle nknt igual a
100, e, para as Ondaletas, a constante de tempo estimada foi de 5 minutos (considerando
tempo de amostragem de 1 minuto) e o perodo histrico l considerado foi do tempo 800 a
1000 minutos. Para as Ondaletas, isto corresponde a 2 nveis de decomposio. Para
comparao da spline quadrtica com outro tipo de ondaleta, escolheu-se tambm comparar
com uma ondaleta clssica Daubechies de ordem 2, tambm com 2 nveis de decomposio.
Figura 3.1: Gerao do sinal para anlise.

O sinal gerado est representado na Figura 3.2, assim como as tendncias resultantes
por cada tcnica. O sinal foi gerado com uma composio de um sinal limpo e componentes
de rudo. Assim, este sinal livre de rudo serve como referncia para a obteno das
tendncias e derivadas.
Nas Figura 3.2 e Figura 3.3, a tendncia e derivada do sinal original chamada de
refer, e as tendncias e derivadas obtidas por splines, utilizando as funes spaps e spap2, so
ySPL e ySPL2, respectivamente. A tendncia e derivada obtida por Ondaletas chamada de
yOND e, por filtro de Butterworth, yBUT.
3.4 SINAL 1
43
Figura 3.2: a) Sinal gerado e suas tendncias. b) Derivadas.
Figura 3.3: Ampliao da Figura 3.2 entre o perodo de 80 e 240 para facilitar a
visualizao.
Os grficos apresentados indicam que o filtro Butterworth introduz um certo atraso na
tendncia e, conseqentemente, na sua derivada. A tendncia resultante da spline de funo
spap2 mostra-se no-suave, apresentando certas descontinuidades em seu sinal. As tendncias
44
resultantes da funo spaps (splines) e da aplicao das ondaletas clssica e spline quadrtica
apresentaram resultados similares, seguindo um comportamento aproximado. Entretanto, as
ondaletas estacionrias (splines) parecem que adiantam um pouco o sinal, como tambm pode
ser percebido nas suas derivadas.
3.5 Sinal 2
Um outro tipo de sinal que pode ser encontrado uma extenso do sinal anterior, e
consiste em uma srie de degraus consecutivos, com processo de dinmica rpida. Este sinal,
pode ser visto na Figura 3.4, bem como suas tendncias e derivadas, obtidas considerando
n = 3, n = 0,5, tol = 300, k = 3, nknt = 80, = 2 (1 nvel de decomposio) e l = 60 a 80.

Neste sinal, novamente percebe-se a introduo de um atraso pelos filtros Butterworth
e o comportamento descontnuo gerado pela funo spap2 das splines. A funo spaps gerou
uma tendncia muito boa, e uma derivada coerente com o esperado. A tendncia obtida por
ondaletas pode ser considerada boa, entretanto levemente adiantada. Sua derivada mostra-se
bastante suavizada.
3.6 SINAL 3
45
3.6 Sinal 3
Sinais do tipo senoidais so comumente encontrados em aplicaes prticas e, por isto,
um sinal com estas caractersticas foi estudado. O sinal est representado na Figura 3.5, com
as tendncias extradas e suas respectivas derivadas. Selecionou-se a parte inicial deste sinal
para facilitar a comparao, e o resultado est na Figura 3.6. Os melhores parmetros obtidos
foram para n = 2, n = 0,1, tol = 1000, k = 4, nknt = 100, = 5 (2 nveis de decomposio) e
l = 150 a 250.

Analisando a Figura 3.6 pode-se observar novamente alguns efeitos j constatados
nos exemplos anteriores, com o atraso gerado pelo filtro Butterworth e o leve adiantamento
gerado pelas Ondaletas, bem como um sinal no-suave obtido por spap2. Todos os mtodos
suprimiram a parte inicial do sinal, de mais alta freqncia, e acompanharam bem a parte de
mais baixa freqncia.
46
Figura 3.6: Ampliao da Figura 3.5 para facilitar a visualizao.
3.7 Sinal 4
Um sinal talvez no to comum, mas importante para ser analisado tambm, consiste
de uma rampa com sucessivas descontinuidades, prximas umas das outras, conforme mostra
a Figura 3.7.
Figura 3.7: Sinal com descontinuidades prximas.
3.8 COMPARAO DOS MTODOS
47
O sinal foi analisado tendo como parmetros n = 2, n = 0,3, tol = 3000, k = 3,

nknt = 300, = 2 (1 nvel de decomposio) e l = 1 a 700, e uma ampliao do resultado pode
ser vista na Figura 3.8.
Os resultados no so satisfatrios, pois os mtodos no apresentam bom desempenho.
As mesmas concluses dos exemplos anteriores podem ser observadas neste exemplo, porm,
neste caso, a funo spaps para splines apresentou o pior resultado, pois no conseguiu
resolver as diferentes descontinuidades. Por mais que o parmetro tol fosse alterado, o seu
comportamento permaneceu o mesmo.
Figura 3.8: Ampliao do sinal com descontinuidades prximas.
3.8 Comparao dos Mtodos

A aplicao das tcnicas de extrao de tendncias para os sinais propostos e a
obteno de suas derivadas podem ser qualitativamente comparadas de acordo com a
qualidade da tendncia e da derivada, a dificuldade de implementao do algoritmo e efeitos
de defasagem e de borda, conforme mostra a Tabela 3.1. Para efeitos desta comparao,
estabeleceu-se que o ndice 1 representa o melhor dos mtodos para uma determinada
caracterstica, 2 o mtodo de qualidade intermediria e 3 o pior mtodo.
48
Tabela 3.1: Comparao do desempenho dos mtodos:

SPL (Splines), OND (Ondaletas) e BUT (filtro Butterworth).
1- Melhor, 2- Intermedirio e 3- Pior
SPL
OND
BUT
Esforo computacional
Facilidade de ajuste
Qualidade da filtrao
Qualidade da derivada
Defasagem
Efeitos de borda
No que se refere ao esforo computacional, considera-se a dificuldade de

implementao dos algoritmos e o tempo de clculo. O filtro de Butterworth o mais simples,
enquanto as Ondaletas exigem um certo conhecimento e uma implementao mais apurados,
visto que os clculos so um pouco mais complexos. Splines ficam num plano intermedirio,
exigindo tambm um pouco mais de esforo computacional.
Com exceo da funo spaps, que possui um parmetro de ajuste, as demais tcnicas
exigem a estimativa de dois parmetros de entrada. As Ondaletas tm um parmetro mais fcil
de informao, que o perodo de dados histricos, mas por outro lado o parmetro da
constante de tempo de resposta nem sempre fcil de ser estimado ou obtido na prtica.
Entretanto, as Splines, embora possua um parmetro de entrada, tambm perde pois este
parmetro de tolerncia no intuitivo e no possui uma referncia absoluta.
A anlise das tendncias e das derivadas obtidas indica que as Splines so as que
apresentam a melhor qualidade, considerando a funo spaps. Embora no tenham se
adequado ao ltimo exemplo (sinal 4), o qual um tipo de sinal mais raro de ser encontrado
em sinais reais, elas apresentaram resultados superiores nos demais exemplos estudados.
No quesito defasagem, as Ondaletas e o filtro Butterworth apresentaram adiantamento
e atraso, respectivamente, do sinal de tendncia e das derivadas, o que , obviamente,
indesejvel. Por isto, Splines tem a melhor pontuao nesta caracterstica.
Por fim, quanto aos efeitos de borda, que so efeitos gerados no comeo e no final de
um sinal devido ao truncamento da janela de dados, todos os mtodos parecem apresentar
resultados semelhantes. Em um dos exemplos, o filtro Butterworth apresentou efeitos de
borda e, por isso, foi penalizado na sua pontuao.
3.9 CONCLUSES
49
3.9 Concluses
A deciso sobre qual o melhor mtodo para ser aplicado para a obteno da
tendncia de um sinal passa por vrios fatores, e depende do tipo de sinal que se deseja
analisar.
Como foi mostrado, Splines (spaps) parece ser a ferramenta mais indicada para a
maioria dos sinais. Entretanto, no indicada se o sinal apresentar descontinuidades
prximas. A outra funo baseada em Splines (spap2) apresentou resultados ruins para os
sinais estudados e no se apresenta como uma boa alternativa para a obteno de tendncias.
Da mesma forma, os filtros Butterworth parecem no serem os mais apropriados,
devido ao atraso que geram ao sinal, a no ser que se deseje um menor esforo
computacional.
Se o processo em anlise conhecido, as Ondaletas ainda podem ser uma boa
alternativa, devido aos seus parmetros de entrada serem mais facilmente estimados. Porm,
trazem um pequeno adiantamento no sinal de sada. Esta antecipao pode ser facilmente
corrigida, porm no foi realizada neste trabalho para facilitar a visualizao dos dados.
50
Captulo 4
Deteco de Estados Estacionrios
Uma importante aplicao da obteno de tendncias e derivadas a determinao dos
estados estacionrios de uma varivel ou unidade. A deteco de estados estacionrios assume
um papel importante em otimizao em tempo real, identificao de modelos estacionrios,
anlise de processos, reconciliao de dados, entre outras aplicaes. Estas aplicaes
requerem dados sob condies estacionrias ou prximas delas e, para isto, uma tcnica
eficiente se faz necessria.
Com este objetivo, vrias metodologias de deteco de estados estacionrios tm sido
propostas. Muitos mtodos so baseados em testes estatsticos. NARASIMHAN et al. (1986)
apresentou o Composite Statistical Test - CST (1986) e o Mathematical Test of Evidence MTE (1987). No mtodo CST, perodos sucessivos de tempo so definidos e avaliados de
acordo com as matrizes de covarincia e mdia amostral. No mtodo MTE, diferenas nas
mdias so comparadas com a variabilidade entre os perodos. Mais recentemente, CAO e
RHINEHART (1995) propuseram um mtodo baseado em mdia mvel ou filtro de primeira
ordem convencional usado para reposicionar a mdia da amostra. Estas tcnicas, entretanto,
no so pontuais, ou seja, elas determinam a situao do processo sobre perodos de tempo.
Este um fato importante para aplicaes on-line. Alm disto, estas tcnicas consideram
apenas a presena de erros randmicos, e sabe-se que erros no randmicos tambm esto
presentes, na forma de pulsos, por exemplo.
Neste trabalho, prope-se uma metodologia baseada em ondaletas, a qual uma
adaptao da tcnica proposta por JIANG et al. (2003), que determina um ndice de estado
estacionrio pontual. O artigo prope uma tcnica de transformada de ondaletas e foca-se,
principalmente, no caso mono-varivel, citando uma proposta para sistemas multi-variveis.
Entretanto, uma abordagem muito mais simples e eficiente para sistemas multi-variveis
apresentada neste trabalho, atravs do uso da tcnica de Anlise por Componente Principal
(Principal Component Analysis PCA).
52
4. DETECO DE ESTADOS ESTACIONRIOS
Nesta metodologia, as ondaletas so utilizadas para deteco de pontos estacionrios

em um sinal de processo, em um algoritmo baseado em cdigo sub-banda de dois canais (two
channel subband coder) usando filtros espelhados em quadratura, segundo a metodologia de
transformada das ondaletas estacionria. A tendncia do sinal de processo extrada das
medidas por um processo multi-escalas baseado nas ondaletas, com eliminao de rudo
randmico e erros no aleatrios. A tendncia ("sinal limpo") ainda preserva as nuances do
sinal original, porm sem picos anormais e rudo branco. O estado do processo ento
medido usando um ndice com variao entre 0 e 1, de acordo com o mdulo da transformada
da ondaleta da tendncia do sinal de processo e dos dados histricos. Este ndice traz uma
srie de vantagens visto que pode ser utilizado, por exemplo, para compresso de dados e
determinao de pontos timos de operao.
Entretanto, como a maioria dos processos qumicos industriais so multi-variveis, era
necessrio obter um procedimento que tornasse possvel quantificar quo perto a unidade ou o
equipamento est da condio estacionria. Normalmente, um ndice nico para todo o
processo recomendado e desejvel, desde que seja de fcil anlise. JIANG et al. (2003)
sugere a seleo de variveis-chave e o uso da regra de combinao de Dempster para a
obteno deste ndice global. Deste modo, necessrio calcular um ndice de estado para cada
varivel-chave e, pela regra de combinao, necessrio atribuir um peso para cada varivel.
Ao invs disto, prope-se, neste trabalho, o uso de PCA, que evita atribuio de pesos e
estima um ndice de estado apenas, representativo de todo o processo.
Nas sees seguintes, apresenta-se a metodologia original de JIANG et al. (2003) e a
tcnica proposta neste trabalho, com exemplos de aplicaes prticas em colunas de
destilao industriais e em uma unidade de craqueamento cataltico.
4.1 Metodologia de Referncia

Na metodologia proposta por JIANG et al. (2000 e 2003), a deteco de estados
estacionrios se baseia na transformada discreta das ondaletas. A tcnica por eles apresentada
consiste em um processo de extrao de tendncia de dados brutos baseado na anlise multiresoluo das ondaletas e posterior determinao do estado do processo baseado nesta
tendncia extrada a vrias escalas. O estado do processo medido usando um ndice com
valor entre 0 e 1, de acordo com o mdulo da derivada do sinal extrada pela transformada das
ondaletas da tendncia do sinal de processo, sendo que, quanto mais prximo de 1, mais perto
do estado estacionrio.
O ndice de estado estacionrio B determinado basicamente pelas derivadas de
primeira e segunda ordem da tendncia fs, representadas por WT1 e WT2, conforme (4.1). A
extrao da tendncia de um sinal, segundo a metodologia de JIANG et al. (2000 e 2003), foi
apresentada no Captulo 3.
WT1 < Ts e WT2 < Tw ento B (t ) = 1
WT1 > Tu ento B (t ) = 0
(4.1)
4.1 METODOLOGIA DE REFERNCIA
53
Os valores de corte Ts, Tw e Tu so estimados a partir de dados histricos utilizando-se

as seguintes equaes:
Ts = WT1
(4.2)
Tu = 3 2 Ts
(4.3)
Tw = WT2
(4.4)
onde WT1 o desvio padro do mdulo dos coeficientes de detalhe de dados histricos ao
ltimo nvel de decomposio e 2 um parmetro ajustvel de qualidade, semelhante a 1 do
Captulo 3 (seo 3.2). O valor de corte Tu tambm pode ser informado diretamente (e no
precisando ser calculado), se houver conhecimento do processo, ou pode ser calculado por
mtodos estatsticos e, ento, informado ao algoritmo. O parmetro Tw um valor de corte
para os coeficientes de detalhe de segunda ordem, e consiste no valor mediano destes ao
ltimo nvel de decomposio.
A Eq. (4.1) calcula o ndice de estado estacionrio para os valores limites. De modo
geral, o ndice de estado estacionrio pode ser calculado de acordo com a Eq. (4.5), segundo
formulao proposta por JIANG et al. (2003).
0 se (t ) Tu
B(t ) = [ (t )] se Ts < (t ) < Tu
1 se (t ) Ts
(4.5)
onde as funes ((t)) e (t) so dadas por
( (t )) =

1 (t ) Ts
+ 1
cos
2 Tu Ts

(4.6)
(t ) = WT1 (t ) + WT2 (t )
(4.7)
0
se WT2 Tw
= (WT2 Tw ) (2Tw ) se Tw < WT2 < 3Tw
1
se WT2 3Tw
(4.8)
sendo
54
4.1.1 Sistemas Multi-variveis

Para os sistemas multi-variveis, JIANG et al. (2003) sugere a seleo de variveischave, calculando o ndice de estado estacionrio para cada uma. As variveis-chave so
aquelas representativas do sistema analisado, que englobam todo o processo, mas que no
sejam correlacionadas. Aps esta seleo de variveis e clculo do ndice, de acordo com o
procedimento descrito na seo anterior, precisa-se combinar estes ndices de modo a obter
um ndice nico para todo o sistema em estudo. Isto feito segundo a regra de combinao de
Dempster (SHAFER, 1976).
N
Bm (t ) =
wi
[B (t )]
i
wi
(4.9)
i =1
onde Bi o ndice de estado estacionrio de cada varivel i em cada instante de tempo t, wi a

parcela de influncia de cada varivel no processo (peso) e Bm o ndice global.
Esta metodologia, entretanto, off-line e apresenta algumas questes que devem ser
consideradas. O primeiro ponto a seleo das variveis-chave, que depende do
conhecimento de processo, pois as variveis devem ser no-correlacionadas e devem englobar
todo o sistema. Outro ponto que, na regra de combinao de Dempster, alguns pesos wi
devem ser atribudos, como se observa na Eq. (4.9), considerando a contribuio que cada
varivel exerce no processo.
Em virtude dos pontos acima mencionados, desenvolveu-se uma nova metodologia
para sistemas multi-variveis, baseada em Anlise por Componente Principal (PCA),
conforme ser apresentado na prxima seo.
4.2 PCA e Sistemas Multi-variveis

A tcnica proposta baseada em PCA consiste na combinao das variveis do processo
multi-varivel em novas variveis, ortogonais, que so combinaes lineares das variveis
originais. A escolha das variveis no requer que sejam no-correlacionadas, e no h
necessidade de atribuio de pesos para a combinao delas. Alm disso, menos esforo
computacional requerido. Estas vantagens tornam a metodologia facilmente aplicvel para
sistemas multi-variveis.
A deteco de pontos estacionrios baseada em componentes principais para uma
janela de dados inicia com uma reduo de dimenso atravs do uso da tcnica de PCA. As
variveis selecionadas, por exemplo temperatura e vazo (que fecham os balanos de energia
e massa de um processo), so escalonadas (centralizadas na mdia e normalizadas pelo desvio
padro) e, ento, linearmente combinadas pela tcnica de PCA. Resultam novas variveis,
cada qual contendo informao de todas as variveis originais. No so consideradas todas as
novas variveis, mas apenas uma, que a que apresenta a maior quantidade de informao.
Se, por exemplo, um sistema apresenta 10 variveis de controle de interesse, a combinao
4.3 ESTUDOS DE CASO
55
por PCA reduzir em novas variveis, das quais apenas uma suficiente para anlise de
estacionrios, conforme poder ser visto na seo 4.3.4.
Esta nova varivel pode servir, ento, de parmetro de entrada para o clculo de
transformada de ondaletas para identificao de estados estacionrios, conforme
procedimento descrito nas sees 3.2 e 4.1. O ndice de estado estacionrio calculado para
esta varivel j representa o estado de todo o processo em anlise, no sendo necessrio
calcular para outras variveis ou estimar pesos para as variveis.
4.3 Estudos de Caso

Para comparar as duas tcnicas apresentadas e validar a metodologia proposta, alguns
estudos de caso foram realizados, com exemplos de aplicaes industriais. Foram estudadas
duas colunas de destilao e uma unidade de craqueamento cataltico.
4.3.1 Metodologias
A primeira metodologia, denominada neste trabalho de tcnica de variveis-chave, a
proposta multi-varivel de JIANG et al. (2003), que faz uso da regra de Dempster para
combinao das variveis. A seleo das variveis baseada em conhecimento do processo e,
para verificar se so independentes, uma anlise simples de correlao feita, utilizando a
funo corrcoef do MATLAB. Nos exemplos que sero apresentados, as variveis foram
consideradas com o mesmo grau de importncia sobre o processo, ou seja, receberam o
mesmo peso na regra de combinao de Dempster, resultando na Eq. (4.10).
N
Bm (t ) =
1N
[B (t )]
i
(4.10)
i =1
A Eq. (4.10) indica que uma coluna de destilao ser considerada em estado
estacionrio (Bm = 1) se todas as variveis estiverem estacionrias no mesmo instante de
tempo. Ao contrrio, se uma das variveis estiver transiente, a condio de estado noestacionrio para o sistema ser apresentada por Bm = 0.
A outra metodologia a proposta de utilizao de PCA para a obteno de uma nica
varivel global e um nico ndice de estado estacionrio, na tcnica que aqui chama-se
simplesmente de PCA.
4.3.2 Influncia da Constante de Tempo

Alguns parmetros de entrada so necessrios para o algoritmo de deteco de
estacionrios, o qual foi implementado no MATLAB. Alm do vetor de dados da varivel,
deve-se informar a constante de tempo, estimada conforme descrito na seo 3.2.1, e um
perodo de dados considerados histricos.
56
A constante de tempo calculada para cada varivel. Como estamos trabalhando com
sistemas multi-variveis, o valor considerado da constante de tempo uma mdia aritmtica
das constantes de tempo das variveis.
Entretanto, se a constante de tempo no puder ser estimada com tanta preciso, devese ter idia de qual o erro que isto acarreta. Para tanto, avaliou-se qual o comportamento da
constante de tempo com relao qualidade da tendncia obtida, ou seja, como a constante de
tempo influencia na aproximao final do sinal original. Sabe-se (Eq. (3.6)) que quanto maior
o valor da constante de tempo de resposta , ou seja, quanto mais lento o sistema, maior o
nmero de decomposies que so realizadas, conforme mostra a Tabela 4.1, e, portanto,
mais suave fica a tendncia final.
Tabela 4.1: Relao entre a constante de tempo e o nmero de decomposies.
2
3a5
6 a 11
12 a 22
23 a 30
46 a 90
1
2
3
4
5
6
A Figura 4.1 exemplifica melhor o que representa a Eq. (3.6). A figura apresenta um
sinal ruidoso com duas variaes do tipo degrau (tempos 100 e 200) e um pico anormal
(tempo 242), o qual foi filtrado, segundo o algoritmo da transformada das ondaletas, a vrios
nveis de decomposio, de acordo com a constante de tempo de resposta.
Os resultados da Figura 4.1 comprovam que quanto menor o valor da constante de
tempo, ou seja, menor o nmero de decomposies, menos suave a tendncia e mais
resqucios de rudo ela pode apresentar. Isto pode ser entendido pelo fato de que um processo
que tem uma dinmica rpida no pode ser suavizado muito, pois seno perder suas
caractersticas dinmicas. Por outro lado, um sistema mais lento, se pouco decomposto, no
trar as informaes reais de variao do processo, pois ser tomado por rudo, que pode
mascarar a verdadeira caracterstica do sinal.
Entretanto, observa-se que, com o aumento do nmero de decomposies, a
aproximao pode se tornar to suave a ponto de alterar o tempo de algum evento ocorrido no
sinal. Por exemplo, se a decomposio for feita com 6 nveis, a tendncia ser to suave que o
degrau do instante de tempo 100 do sinal original comea em torno do instante de tempo 80
no sinal aproximado. Da mesma forma, o degrau negativo do tempo 200 do sinal original
termina, na tendncia extrada, no tempo 220.
Alm disso, observa-se que o pico anormal do tempo 240 s removido da tendncia
a partir do terceiro nvel de decomposio. Isto ocorre pois a deteco de picos anormais
baseada na constante de tempo de resposta, que determina o nmero de nveis de
decomposio.
4.3 ESTUDOS DE CASO
57
Figura 4.1: Sinal original e suas tendncias em vrios nveis de decomposio.

Portanto, se observa que a constante de tempo apresenta grande influncia na
tendncia do sinal a ser obtida e na remoo de picos anormais. Como conseqncia, a
deteco de estacionrios completamente alterada, conforme mostra a Figura 4.2, a qual foi
obtida atravs da aplicao da metodologia a cada uma das seis decomposies ilustradas na
Figura 4.1.
58
Figura 4.2: Para os 6 nveis de decomposio (ou = 2, 5, 10, 15, 30 e 50): sinal original,
ordem WT2, ndice de estado B.
4.3.3 Influncia do Perodo Histrico

Outro parmetro de entrada do algoritmo das ondaletas um perodo de dados
histricos de processo. Portanto, importante tambm avaliar a sua influncia na obteno da
tendncia do sinal.
4.3 ESTUDOS DE CASO
59
A Figura 4.3 apresenta um sinal semelhante ao apresentado na seo anterior, e trs

tendncias obtidas para trs perodos histricos diferentes. Neste caso, fixou-se a constante de
tempo de resposta como 10 (3 nveis de decomposio) e modificou-se o perodo de dados
histricos informado ao algoritmo. Foram avaliadas trs situaes. Na primeira, considerou-se
o perodo de dados histricos como sendo os pontos de tempo de 1 a 200 deste mesmo sinal, o
qual compreende uma mudana do tipo degrau. Nas duas outras situaes, os perodos
histricos foram considerados como sendo de 211 a 410 e 501 a 700 deste mesmo sinal. Este
ltimo um perodo composto apenas de rudo basicamente, e, no anterior, um pico anormal
(em 242) englobado no perodo histrico.
Figura 4.3: Sinal original e suas tendncias para diferentes perodos histricos selecionados.
O que se observa que as tendncias obtidas para os trs perodos histricos foram
praticamente as mesmas. Ou seja, neste exemplo, no se verificou influncia de perodos
histricos diferentes na obteno de tendncias. A presena de um pico anormal ou mesmo de
um degrau no perodo histrico no afeta a tendncia do sinal.
Entretanto, com o ndice de estado estacionrio se verifica que a seleo importante,
conforme pode ser visto na Figura 4.4. Isto ocorre porque o clculo de valores de corte para
deteco de estacionrios determinado em funo do desvio padro dos coeficientes de
detalhe de dados histricos e, portanto, as caractersticas deste perodo alteram a magnitude
destes valores de corte.
60
Figura 4.4: Deteco de estacionrios baseada em trs perodos histricos distintos.

O que se pode observar a partir da Figura 4.4 que o perodo histrico que continha a
informao de um degrau (caso 1) gerou ndices estacionrios para todo o perodo, com
exceo dos tempos no qual o degrau ocorreu. Nestes instantes, o ndice se aproximou de
zero, caracterizando uma condio no-estacionria. Os dois picos anormais (tempos 240 e
720) foram corretamente rejeitados e o ndice nestes instantes tambm foi considerado nulo.
No segundo caso, onde o perodo histrico continha informao de pico anormal, o
ndice ficou unitrio para a maioria dos pontos de tempo. Foram detectadas quatro situaes
4.3 ESTUDOS DE CASO
61
de condio no estacionria correspondentes aos instantes de ocorrncias dos degraus e dos

dois picos anormais. Os picos anormais, neste caso, no foram descartados por estarem
contidos tambm no perodo informado como histrico.
Na terceira situao, o ndice de estado foi encontrado mais vezes como noestacionrio, alm dos pontos de ocorrncia de degraus e picos anormais. O perodo histrico
para esta situao foi considerado como s possuindo rudo e, por isto, a deteco se torna
mais rgida e mais instantes de tempo so calculados como fora do estacionrio.
Um sinal com diferentes magnitudes de rudo, conforme o da Figura 4.5, tambm foi
analisado para trs condies de perodos histricos. No primeiro caso, o perodo histrico foi
considerado como sendo do intervalo de tempo de 1 a 500, no segundo caso foi considerado
de 1001 a 1500 e no ltimo, de 2001 a 2500.
Figura 4.5: Sinal original e suas tendncias para diferentes perodos histricos selecionados.
Para este exemplo, o que se observa que existe pouca diferena entre as tendncias
obtidas. Nas duas primeiras situaes, elas so praticamente iguais, enquanto a terceira
tendncia apresenta uma sutil diferena para as duas anteriores, mais visvel na regio em
torno dos tempos 200 a 500.
Entretanto, devido aos valores de corte calculados pelo algoritmo, o clculo de ndices
de estados estacionrios gera resultados bastante diferentes, conforme mostra a Figura 4.6.
62
Figura 4.6: ndices de estado estacionrio de acordo com as trs tendncias obtidas.
Os resultados da Figura 4.6 so coerentes com o que se espera. Quando o perodo
histrico foi considerado como os primeiros 500 pontos do sinal, que possui componentes de
rudo branco e colorido, o algoritmo calculou todo o perodo como estacionrio. O mesmo
aconteceu para a segunda situao, onde o perodo de dados histricos era composto por rudo
branco de grande amplitude. Por fim, para o perodo histrico que continha rudo branco, mas
de baixa amplitude, o algoritmo calculou regies no-estacionrias, compreendidas entre os
tempos 1 e 1500, que um intervalo de tempo em que o sinal de processo apresenta rudo de
grande magnitude. Como o perodo histrico continha rudo de baixa amplitude, os valores de
corte calculados foram baixos. Ao verificar uma regio de maior variabilidade, ento, os
valores de processo excederam estes valores de corte e a condio de pontos no-estacionrios
foi verificada.
Pode-se concluir, portanto, que as caractersticas do perodo histrico selecionado no
influenciam na obteno da tendncia do sinal, mas influenciam no clculo dos ndices de
estado estacionrio.
4.3.4 Coluna de Destilao 1

Um bom exemplo para estudo comparativo das metodologias de variveis-chave e
PCA uma coluna de destilao. Neste caso, selecionou-se uma coluna atmosfrica de
tolueno de uma unidade industrial petroqumica. Esta coluna alimentada por uma corrente
de fundo de uma coluna de benzeno. A coluna de tolueno possui 60 pratos valvulados e a
alimentao ocorre nos pratos 30 ou 36. A temperatura do estgio 20 controlada atravs da
4.3 ESTUDOS DE CASO
63
vazo do refervedor. Esta coluna possui 5 medies de vazo, 9 medies de temperatura ao

longo da coluna e uma medida de presso no topo, conforme mostra a Figura 4.7. O nmero
no tag dos medidores de temperatura de acordo com o estgio de equilbrio em que se
encontram.
Figura 4.7: Coluna de destilao de tolueno e seus medidores.

Parmetros do algoritmo: O parmetro de tempo de resposta considerado foi
= 30 min.
Determinao de estacionrios por variveis-chave: As variveis-chave foram
selecionadas atravs de uma anlise tradicional de correlao, de modo que as variveis
escolhidas foram as temperaturas TI02 e TI21, a presso no topo da coluna PI18 e o nvel no
fundo LIC09. Estas variveis foram selecionadas dentre todas as variveis da coluna de
destilao, aps passarem pela anlise de correlao cruzada. As variveis-chave esto
representadas na Figura 4.8. Foram escolhidos 2000 pontos de dados, equivalentes a quase
um dia e meio de processo (tempo de amostragem de 1 minuto). O perodo de dados
considerados histricos foi entre os pontos de tempo de 1 a 600.
64
Figura 4.8: Variveis-chave selecionadas.

Para cada uma das variveis, ento, realizou-se o processo de deteco de
estacionrios. Os resultados so apresentados nas Figura 4.9, Figura 4.10, Figura 4.11 e
Figura 4.12.
Figura 4.9: Varivel-chave temperatura do estgio 2 (TI02), representada por f, tendncia do

sinal fs, derivada de primeira ordem WT1, derivada de segunda ordem WT2,
ndice de estado B.
4.3 ESTUDOS DE CASO
65
Figura 4.10: Varivel-chave temperatura do estgio 21 (TI21), representada por f, tendncia

do sinal fs, derivada de primeira ordem WT1, derivada de segunda ordem WT2,
ndice de estado B.
Figura 4.11: Varivel-chave presso no topo (PI18), representada por f, tendncia do sinal fs,
derivada de primeira ordem WT1, derivada de segunda ordem WT2, ndice de
estado B.
66
Figura 4.12: Varivel-chave nvel de fundo (LIC09), representada por f, tendncia do sinal
fs, derivada de primeira ordem WT1, derivada de segunda ordem WT2, ndice de
estado B.
Como resultado da combinao destes 4 ndices, tem-se um ndice nico Bm
representativo de toda a coluna, apresentado na Figura 4.13.
Figura 4.13: ndice de estado estacionrio Bm para a coluna de destilao, obtido por seleo
de variveis-chave.
Determinao de estacionrios por PCA: As variveis selecionadas para a anlise
por PCA foram as temperaturas que formam o perfil da coluna de destilao (menos as
temperaturas indicadas por TI30 e TI59, por no estarem atreladas ao equilbrio
termodinmico). As medies de temperatura desta coluna, para um dado perodo de tempo
selecionado, esto representadas na Figura 4.14 e na Figura 4.15, onde esto centralizadas na
mdia e normalizadas pelo desvio padro (conforme mostrado no Captulo 2), e foram
plotadas deslocadas uma com relao outra para uma melhor visualizao.
4.3 ESTUDOS DE CASO
67
Figura 4.14: Perfil de temperatura da coluna de tolueno.
Figura 4.15: Temperaturas escalonadas da coluna de tolueno, deslocadas para facilitar a

visualizao.
Salienta-se que as variveis de anlise por PCA so diferentes das analisadas por
variveis-chave pois, neste caso, as variveis devem ser pouco correlacionadas, o que no
68
ocorre no perfil de temperaturas. Isto quer dizer que o perfil de temperaturas no foi
empregado no mtodo das variveis-chave por ser altamente correlacionado. Por outro lado,
variveis de presso, vazo ou nvel poderiam tambm ser selecionadas na anlise por PCA
(como foi feito no exemplo que ser apresentado na seo seguinte, em que variveis de
temperatura e vazo foram analisadas concomitantemente).
Estas variveis foram linearmente combinadas por PCA, gerando outras nove
variveis ortogonais, cujos valores singulares indicaram que duas variveis apenas so
significativas em termos de varincia do processo, conforme apresentado no vetor base em
(4.11), que consiste nos nove valores singulares da matriz utilizada para calcular o PCA.
base = [97,2 78,9 37,7 21,2 16,0 10,2 7,9 5,0 0,4]
(4.11)
Das nove variveis considera-se que apenas duas sejam significativas, pois dois
valores singulares (97,2 e 78,9) so bem maiores que os demais. Estas duas novas variveis
obtidas por PCA so uma combinao linear das variveis originais, segundo a proporo
apresentada em (4.12), onde a primeira coluna representa a combinao que gera a primeira
varivel ortogonal t1 e a segunda coluna a segunda varivel ortogonal t2. Ou seja, t1 uma
combinao de 12% da primeira varivel original, 15% da segunda varivel original e assim
por diante. Da mesma forma, t2 uma combinao de 6% da primeira varivel original, 7% da
segunda varivel original e assim sucessivamente. Estas duas novas variveis ortogonais so
mostradas na Figura 4.16. A segunda varivel foi plotada deslocada para cima visando
facilitar a visualizao. Para este primeiro exemplo, estas duas variveis foram selecionadas
para anlise de estacionrio para mostrar que os resultados so semelhantes, indicando que
apenas uma delas seja suficiente para a estimao do ndice de estado estacionrio.
0,1206
0,1520
0,0745
0,0165
comb = 0,0166
0,1572
0,1613
0,1521
0,1492
0,0618
0,0712
0,2042
0,2266
0,2266
0,0718
0,0161
0,0580
0,0636
(4.12)
4.3 ESTUDOS DE CASO
69
Figura 4.16: Novas variveis ortogonais t1 e t2.

Ento, para cada varivel t1 e t2 foi feita uma anlise de estado estacionrio e um
ndice de estado foi calculado para cada uma em cada instante de tempo. O perodo histrico
foi considerado como os primeiros 600 pontos de t1 e t2.
As Figura 4.17 e Figura 4.18 apresentam a anlise de estacionrios, onde f o sinal
original (t1 ou t2), fs a tendncia extrada do sinal original, WT1 a transformada de primeira
ordem das ondaletas, WT2 a transformada de segunda ordem das ondaletas, e B o ndice de
estado estacionrio.
A combinao dos dois ndices de estado estacionrio, se preciso, poderia ser de
acordo com a Eq. (4.10), e resultaria em um ndice nico Bm, mostrado na Figura 4.19, o qual
representa o estado de toda a coluna. Como pode ser visto, as variveis t1 e t2 apresentam uma
faixa comum onde os resultados so os mesmos, ou seja, os mesmos perodos de tempo
estacionrios e no-estacionrios. Entretanto, a varivel t1 apresenta mais perodos de
condio no estacionria, em virtude de capturar a maior variabilidade. Pela Figura 4.19,
podemos observar que Bm muito semelhante ao B obtido para t1. Em virtude disto, pode-se
considerar que no necessrio analisar o estado de todas as variveis ortogonais. A anlise
de somente a primeira varivel ortogonal (t1) j contm a informao suficiente para a
determinao dos estados estacionrios da coluna, visto que a informao que as demais
variveis trazem est em grande parte contida nesta primeira varivel ortogonal.
70
Figura 4.17: Resultados para a varivel ortogonal t1, representada por f, fs a tendncia
ondaletas, WT2 a transformada de segunda ordem das ondaletas, e B o ndice
de estado para t1.
Figura 4.18: Resultados para a varivel ortogonal t2, representada por f, fs a tendncia
de estado para t2.
4.3 ESTUDOS DE CASO
71
Figura 4.19: ndices de estado estacionrio para as variveis t1, t2 e para a combinao Bm
(para toda a coluna de destilao), obtidos pela utilizao de PCA para
combinao das variveis.
Figura 4.20: ndices de estado estacionrio obtidos pela utilizao de variveis-chave (BVC) e
PCA (BPCA).
Pela Figura 4.20, pode-se observar que os resultados do ndice por PCA e variveischave so similares para este exemplo, isto , os instantes de tempo detectados estacionrios
por PCA so praticamente os mesmos encontrados por variveis-chave, e a magnitude deles
tambm semelhante. Porm, PCA apresenta uma maneira muito mais fcil de lidar com as
variveis com relao utilizao de variveis-chave, e no requer a atribuio de pesos na
regra de combinao para sistemas multi-variveis. As variveis informadas so linearmente
combinadas por PCA, sem a necessidade de se conhecer quais so as variveis mais
importantes e representativas do sistema, e qual sua influncia no processo. Ou seja, uma
das vantagens de PCA poder trabalhar com variveis correlacionadas. Outra vantagem a
72
estimao do estado para uma varivel apenas, e no para vrias, como o caso de variveischave, reduzindo o esforo computacional.
4.3.5 Coluna de Destilao 2

Um outro exemplo prtico o de uma coluna atmosfrica de uma unidade de
destilao da UN-RECAP. A unidade de destilao compreende os sistemas de dessalgao,
torre de pr-fracionamento atmosfrica, forno atmosfrico e torre atmosfrica. O petrleo cru
reduzido, aps ser aquecido no forno, enviado para a fracionadora atmosfrica, a qual tem
por objetivo principal a produo de diesel linha, que uma combinao de diesel pesado
(diesel DD) com querosene, conforme pode ser visto na Figura 4.21. Outros produtos so a
nafta pesada, produto de topo, e o resduo atmosfrico (RAT), produto de fundo.
A coluna atmosfrica apresenta uma seo de refluxo circulante intermedirio (RCI)
para retirar calor da parte superior da coluna, indicado por Bateria de RCI (conjunto de
condensadores). Assim, um aumento no refluxo de topo desejado para diminuir a
necessidade de RCI e, assim, aumentar a frao de nafta leve para ser incorporada ao
querosene.
A nafta produzida utilizada na produo de solventes e pode tambm ser incorporada
gasolina, e sua vazo mnima restringida pela programao de produo. Mas o objetivo
da produo minimiz-la, pois o interesse o diesel linha. O querosene, normalmente,
incorporado ao diesel pesado, maximizado quanto parte leve, com restrio de ponto de
fulgor. O diesel DD sempre maximizado, sujeito s restries de densidade, enxofre, T85%,
T50% e ponto de entupimento.
A coluna possui medidores de temperatura e vazo, alm de alguns medidores de
presso. Os medidores de temperatura e vazo considerados para deteco de estacionrios
por PCA (azul) esto destacados, na Figura 4.21, com os nmeros de 1 a 8 e 9 a 13,
respectivamente, e os medidores utilizados para anlise com variveis-chave (em laranja), so
os de nmero 2 e 4 e 1 e 3, respectivamente.
Deseja-se que a temperatura de topo seja baixa para que a frao de nafta pesada seja
reduzida. Ou seja, esperado que a vazo FIC12 seja baixa. Do mesmo modo, o FIC de
refluxo de diesel para a coluna deve ser minimizado, a ponto de apenas garantir o
molhamento da panela de diesel.
4.3 ESTUDOS DE CASO
73
Figura 4.21: Coluna de destilao atmosfrica, com as indicaes de medies de

temperatura e vazo.
Parmetros do algoritmo: O parmetro de tempo de resposta considerado foi
= 80 min.
Determinao de estacionrios por variveis-chave: As variveis-chave
selecionadas, que apresentam pouca correlao cruzada, foram as vazes de RCI (FIC1) e de
refluxo de diesel (FIC3) e as temperaturas do topo (TC2) e de entrada na torre (TC4), que so
variveis manipuladas. As variveis esto representadas na Figura 4.22. Foram escolhidos
5000 pontos de dados, equivalentes a quase trs dias e meio de operao (tempo de
amostragem de 1 minuto). O perodo de dados considerados histricos foram os pontos de
tempo de 800 a 1500, que uma regio que est dentro da faixa de variao de temperatura de
1,5C, considerada aceitvel pela operao.
74
Figura 4.22: Variveis-chave selecionadas.

Para cada varivel se faz uma anlise de estacionrios, resultando nas Figura 4.23,
Figura 4.24, Figura 4.25 e Figura 4.26. A combinao dos quatro ndices resulta no ndice
da coluna Bm, apresentado na Figura 4.27.
Figura 4.23: Resultados para a vazo de reciclo RCI, representada por f, fs a tendncia
de estado.
4.3 ESTUDOS DE CASO
75
Figura 4.24: Resultados para a temperatura de topo, representada por f, fs a tendncia

de estado.
Figura 4.25: Resultados para a vazo de refluxo de diesel, representada por f, fs a tendncia
de estado.
76
Figura 4.26: Resultados para a temperatura de entrada, representada por f, fs a tendncia

de estado.
Figura 4.27: ndices de estado para as quatro variveis-chave selecionadas (vazo de reciclo,
temperatura do topo, refluxo de diesel e temperatura de entrada) e o ndice
global da coluna Bm.
4.3 ESTUDOS DE CASO
77
O ndice global apresentou vrios perodos de condio no estacionria, o que no

est coerente com o modo como a coluna foi operada neste perodo. Cada varivel
independentemente analisada apresenta ndices coerentes, com exceo da temperatura de
entrada, que apresenta comportamento oscilatrio, o qual foi capturado pelo ndice de
estado. Porm, a combinao destas variveis em um nico ndice no foi adequada. Tendo as
variveis recebido o mesmo peso na combinao, observa-se que a coluna s considerada
estacionria se todas as variveis esto estacionrias no mesmo instante de tempo.
Determinao de estacionrios por PCA: Foram selecionadas as 8 medies de

temperatura da coluna e mais 5 de vazes, para complementar com o balano de massa. Estas
variveis foram avaliadas no mesmo perodo de tempo que foi realizada anlise por variveischave e o perodo histrico tambm foi considerado o mesmo.
Figura 4.28: Temperaturas da coluna de destilao.

As variveis de temperatura esto representadas na Figura 4.28, e as de vazo na
Figura 4.29. As variveis escalonadas esto apresentadas na Figura 4.30, deslocadas na
ordenada a cada 5 unidades para facilitar a visualizao. A Figura 4.31 apresenta a varivel
ortogonal gerada para anlise de estacionrios, a qual combinao linear das demais. A
Figura 4.32 apresenta a varivel ortogonal, suas derivadas WT1 e WT2 e o ndice B. A
Figura 4.33 mostra as variveis originais escalonadas, para comparao com o ndice de
estado estacionrio B da coluna.
78
Figura 4.29: Vazes relacionadas coluna de destilao.
Figura 4.30: Variveis de temperatura e de vazo escalonadas e plotadas deslocadas para

facilitar a visualizao.
4.3 ESTUDOS DE CASO
79
Figura 4.31: Varivel ortogonal gerada a partir da combinao linear das temperaturas e
vazes.

de estado.
A Figura 4.33 permite verificar que os ndices obtidos esto de acordo com o
esperado, que uma faixa de variao de temperatura para a coluna de at 1,5C. E o ndice
de estado coerente com as alteraes ocorridas na coluna.
80
Portanto, uma comparao entre os resultados alcanados por variveis-chave e PCA

mostra que os obtidos por PCA so mais coerentes com a real situao da coluna neste
intervalo de tempo.
Figura 4.33: Temperaturas escalonadas e ndice de estado estacionrio B.

Extrapolao para outro perodo de tempo utilizando tcnica de PCA: A mesma
anlise baseada em PCA foi realizada para outro perodo de tempo, considerando as mesmas
variveis, ou seja, as 8 temperaturas da coluna e mais as 5 vazes.
O objetivo desta anlise era verificar se a varivel gerada a partir da mesma
combinao linear entre as variveis poderia ser aplicada satisfatoriamente a este perodo de
dados, e verificar se a deteco de estacionrios se mantinha coerente. Tambm o perodo
histrico de dados foi mantido igual, para que os valores de corte para deteco de
estacionrios fossem os mesmos.
As prximas figuras ilustram os resultados obtidos para o novo conjunto de dados. O
que pode se observar que a varivel ortogonal gerada representa bem as variveis de
temperatura e vazo, e que os resultados dos ndices de estado esto coerentes com as
variaes significativas que ocorreram na coluna neste intervalo de tempo considerado.
Deve-se observar que, para cada varivel, apenas uma vez se calculam os valores de
corte no algoritmo (com a informao de um perodo histrico e constante de tempo) e apenas
uma vez o vetor de pesos calculada por PCA. Estes resultados, ento, podem ser utilizados
para qualquer outro perodo de tempo dentro da mesma regio de operao, diminuindo o
nmero de clculos e sem prejudicar a identificao dos estacionrios destes outros perodos.
4.3 ESTUDOS DE CASO
Figura 4.34: Variveis de temperatura e de vazo escalonadas.
Figura 4.35: Varivel ortogonal que uma combinao linear das temperaturas e vazes.
81
82

de estado.
Figura 4.37: Temperaturas escalonadas e ndice de estado estacionrio B.
4.3 ESTUDOS DE CASO
83
4.3.6 Unidade de Craqueamento Cataltico

Nas sees anteriores, dois exemplos de colunas de destilao foram apresentados.
Para verificar os resultados de outro tipo de equipamento, estudou-se tambm uma unidade de
craqueamento cataltico de leito fluidizado (FCC) (SECCHI et al., 2001).
A unidade de FCC consiste de um processo de refino para aumentar a produo de
gasolina e gs liquefeito de petrleo (GLP) a partir de um gs-leo pesado e resduo de
converso de fraes leves. O processo de craqueamento da nafta ocorre no reator tubular
(riser) com fluxo ascendente de vapor, em uma alta temperatura. Os produtos deste
craqueamento so o gs liquefeito de petrleo (GLP), gasolina, gs efluente, leo de ciclo leve
(OCL) e coque. Este ltimo responsvel pela desativao do catalisador, pois se deposita
sobre este. Por isso, existe uma seo na unidade chamada regenerador, que onde ocorre a
queima do coque em um reator de leito fluidizado. Denomina-se de conversor o sistema
riser/regenerador. Uma representao deste sistema apresentada na Figura 4.38.
A unidade apresenta vrios medidores de vazo e temperatura, principalmente, e um
analisador da qualidade dos produtos. As variveis medidas so a temperatura do riser, as
temperaturas do regenerador, a presso de suco do compressor de gs mido, o nvel de
catalisador do separador, a presso diferencial do separador-regenerador e a temperatura do
gs efluente do regenerador. As variveis manipuladas so a vazo de alimentao (F_alim), a
temperatura de alimentao pr-aquecida, as taxas de circulao de catalisador (na TCV e
LCV), a vazo de ar de combusto (F_ar) e a taxa de reciclo de gs mido no compressor. Os
distrbios medidos so caractersticas da alimentao e as temperaturas de alimentao
(T_alim) e do ar (T_ar). Conforme SECCHI et al. (2001), pode-se obter um bom modelo
(no-linear) para a unidade, de modo que as variveis de sada de interesse podem ser
estimadas a partir das entradas (vazes de alimentao e ar e distrbios), conforme
representao da Figura 4.39.
Neste caso, ento, um modelo no-linear foi obtido, considerando como pontos de
operao estacionrios F_ar = 90 ton/h e F_alim = 2750 m3/dia. A partir deste modelo,
simularam-se as condies desejadas, ou seja, as entradas foram variadas e as sadas obtidas
foram combinadas linearmente pela tcnica de PCA para identificao dos pontos
estacionrios.
84
Figura 4.38: Unidade de craqueamento cataltico de leito fluidizado (FCC).

No caso das variveis de entrada (F_alim, F_ar, T_alim e T_ar), buscou-se reproduzir
o que seriam comportamentos e condies tpicas de operao. Assim, as vazes de
alimentao e do ar consideraram degraus positivos e negativos, componente ascendente
linear e componente senoidal. Os distrbios (T_alim e T_ar) foram considerados puramente
senoidais, representando as variaes de temperatura que podem ocorrer ao longo de um dia
ou do ano, por exemplo. A freqncia da componente senoidal nos sinais igual, com
exceo da temperatura do ar que, alm desta componente, possui tambm uma componente
senoidal de freqncia menor. Nos primeiros instantes de tempo, ocorrem variaes na vazo
do ar (F_ar), depois comeam as variaes na vazo de alimentao (F_alim) e, por fim,
ocorrem as variaes nas temperaturas simultaneamente. Uma representao de cada varivel
est na Figura 4.40.
Como sada do modelo da unidade de FCC resultam as variveis de interesse para
anlise, as quais so mostradas na Figura 4.41 (de acordo com a Figura 4.39).
4.3 ESTUDOS DE CASO
85
Figura 4.39: Representao das variveis de entrada e sada utilizando um modelo no-linear
para a unidade de FCC.
As variveis mostradas na Figura 4.41 foram normalizadas e o resultado
apresentado na Figura 4.42. Na etapa seguinte, estas variveis foram linearmente combinadas
pelo uso da tcnica de PCA, obtendo-se uma nova varivel, apresentada na Figura 4.43.
Como j descrito nas sees anteriores, esta nova varivel foi analisada para deteco
dos pontos estacionrios. Para isto, considerou-se que a constante de tempo de resposta deste
sistema de aproximadamente 15 minutos, e que o perodo histrico igual aos instantes de
tempo de 2000 a 2600 da varivel normalizada. Lembra-se que os sinais de entrada possuam
componentes senoidais, de freqncia menor. Isto significa que a constante de tempo de
resposta a ser estimada deve ser um valor elevado (e, conseqentemente, maior o nmero de
nveis de decomposio na transformada das ondaletas). O perodo de dados histricos
selecionado contempla uma regio com dois perodos senoidais, um de menor amplitude e
outro de maior amplitude, ambos com freqncias semelhantes. O resultado para a aplicao
do algoritmo de deteco de estacionrios est apresentado na Figura 4.44.
86
Figura 4.40: Distrbios inseridos em cada varivel de entrada do modelo.
Figura 4.41: Variveis de sada do modelo no-linear. a) temperaturas b) presso e variveis

de qualidade dos produtos.
4.3 ESTUDOS DE CASO
Figura 4.42: Variveis de sada do modelo no-linear normalizadas.
Figura 4.43: Varivel ortogonal gerada pela tcnica de PCA.
87
88

de estado.
A seleo do perodo relativo freqncia dos senos menor do que a constante de
tempo indica que a ocorrncia das oscilaes deve ser reconhecida pelo algoritmo de deteco
de estacionrios. At uma certa magnitude, componentes rpidos so considerados como
eventos normais de operao, e componentes mais lentos passam a ser detectados como
mudanas no processo. Como pode ser visto na Figura 4.44, dos trs perodos com
oscilaes, dois so detectados fora da condio estacionria, os quais so os dois perodos de
maior amplitude. O seno do perodo intermedirio (tempo entre 2000 e 2200,
aproximadamente) no detectado por possuir pequena magnitude, menor que o valor de
corte calculado pelo algoritmo, de modo que este intervalo de tempo considerado
estacionrio. As demais variaes que ocorrem no sinal, do tempo inicial at o instante 1000,
so coerentemente detectadas pelo algoritmo como condies no-estacionrias. Estes
perodos no-estacionrios esto coerentes com os distrbios inseridos nas quatro variveis de
entrada (Figura 4.40).
4.4 Concluses
A metodologia de JIANG et al. (2003) para casos monovariveis parece ser realmente
eficiente e apresenta, alm de tudo, um ndice de estado estacionrio, que no 0 ou 1, mas
4.4 CONCLUSES
89
sim uma faixa entre 0 e 1. Isto importante para aplicaes prticas, pois permite saber o
quo perto ou longe se est da condio estacionria.
A influncia da constante de tempo e do perodo histrico foi estudada, e verificou-se
que a deteco de estacionrios dependente destes parmetros. Quanto maior a constante de
tempo, mais decomposies so realizadas e mais suave se torna a tendncia extrada do sinal.
Conseqentemente, a deteco de estacionrios tambm influenciada por esta tendncia e
pela magnitude dos coeficientes de detalhe de primeira ordem.
Embora a tendncia calculada seja a mesma para diferentes perodos de dados
histricos, o ndice de estado estacionrio fortemente alterado por este parmetro. Se o
perodo histrico contm caractersticas de degrau e picos anormais, o ndice de estado poucas
vezes detectar estas mudanas no sinal de processo e, assim, a condio ser considerada
estacionria na maior parte do tempo. Por outro lado, se a regio histrica for composta
somente de rudo branco de baixa magnitude, freqentemente a condio ser considerada
transiente. O que se espera, portanto, considerar o perodo histrico como uma regio
coerente com a condio normal de operao do equipamento, apresentado variabilidade e
ocorrncias caractersticas. Como esta tarefa de escolher o perodo histrico feita apenas
uma vez para cada varivel de processo, importante que ela traduza de forma adequada os
efeitos desejados na determinao de estacionrios.
A metodologia baseada em PCA para detectar estacionrios se mostrou bastante
eficiente para os casos estudados. Ela mais simples de ser aplicada do que a proposta por
JIANG et al. (2003), alm de apresentar resultados mais coerentes. Como no necessita de
atribuio de pesos s variveis, ela se torna mais facilmente aplicvel e exige menos esforo
computacional. Alm disso, uma vez calculada a combinao linear entre as variveis (vetor
de pesos) para cada sistema, este clculo no precisa mais ser refeito para uma mesma regio
de operao, e apenas a computao da nova varivel ortogonal (que uma combinao linear
das variveis medidas) e a deteco de estacionrios so realizadas. Da mesma forma, apenas
uma vez se calculam os limites de corte do algoritmo (para identificao de picos anormais e
deteco de estacionrios), os quais podem ser utilizados para quaisquer outros intervalos de
tempo.
Assim, esta metodologia de identificao de estacionrios baseada em PCA pode ser
considerada como uma boa alternativa para identificao de pontos estacionrios e pode ser
aplicada na prtica sem a exigncia de grandes informaes ou conhecimento sobre o
processo.
90
Captulo 5
Concluses
Neste ltimo captulo sero ressaltados os principais resultados encontrados neste
trabalho.
5.1 Consideraes Finais

Os resultados dos testes realizados e sua avaliao crtica permitem algumas
concluses e sugestes sobre a obteno de tendncias de um sinal de processo. A
comparao das metodologias para obteno de tendncias de sinais (filtros Butterworth,
Splines e Ondaletas) indicou que splines ajustadas se apresentam como uma boa alternativa
para a maioria dos casos, por obter boa qualidade na aproximao e por ser de fcil ajuste, no
sendo indicada para casos com descontinuidades prximas. O filtro Butterworth e a verso
interpolada de splines no apresentaram bons resultados para os exemplos analisados, no
sendo ento recomendados. As ondaletas apresentaram comportamento intermedirio, e
podem ser utilizadas dependendo da aplicao ou finalidade.
Embora as splines apresentaram-se como uma boa alternativa, as Ondaletas possuem
uma caracterstica importante de sua transformada decompor o sinal em diferentes escalas, o
que permite analisar a tendncia do sinal e seu componente de rudo em diferentes
freqncias. No caso do objetivo ser detectar estacionrios, Ondaletas so ento a ferramenta
indicada, pois possuem a capacidade de separar a informao til da informao que no traz
caractersticas do processo. Para esta aplicao, a metodologia apresentada mostrou resultados
muito bons. Alm de um ndice de estado estacionrio, no caso multi-varivel a tcnica
baseada em PCA foi eficiente em combinar as variveis de modo a detectar pontos
estacionrios corretos. Os parmetros de entrada do mtodo so estimados uma nica vez para
cada varivel, o que torna o processo subseqente de fcil aplicao. Portanto, a metodologia
proposta neste trabalho se apresenta como uma boa tcnica para deteco de pontos
estacionrios.
92
5. CONCLUSES
5.2 Sugestes para Trabalhos Futuros

Alguns aspectos relacionados a este trabalho podem ser desenvolvidos ou aprimorados
no futuro.
Como sugestes de alteraes e melhorias, prope-se testar o algoritmo das ondaletas
utilizando outro tipo de funo base para a ondaleta, como a chapu mexicano, por exemplo.
Sabe-se que determinadas ondaletas no so apropriadas para determinadas aplicaes, como
a ondaleta de Haar para descrever os casos de funes suaves. Entretanto, embora tendam a
apresentar resultados semelhantes, uma ondaleta mais adequada para a aplicao de interesse
pode resultar em uma convergncia mais rpida. A utilizao de uma ondaleta mais similar
possvel com a funo que se tenta aproximar implica em menos escalas necessrias para
obter uma descrio satisfatria (ALSBERG et al., 1997).
No caso da aplicao do algoritmo baseado em ondaletas para a identificao de
estados estacionrios para sistemas multi-variveis, sugere-se testar a combinao das
variveis por outras tcnicas, como NPCA ou PLS. A utilizao de combinao por PCA
mostrou-se satisfatria. Entretanto, a combinao de variveis de variabilidades muito
diferentes pode acarretar alguns erros na determinao dos pesos de cada uma. Alm disso,
para sistemas com muitas variveis recomendvel que sejam eliminadas da combinao do
PCA as variveis que so pouco significativas, ou seja, aquelas que recebem baixo peso.
Ainda nos casos multi-variveis, uma outra alternativa que cada varivel possa ter sua
constante de tempo especfica (e no um valor mdio, como o caso), o que faz com que cada
varivel tenha um nvel de decomposio diferente.
A utilizao de ondaletas e derivadas encontra um espao importante na compresso
de dados. O monitoramento computadorizado moderno e os sistemas de controle em plantas
resultam em uma grande quantidade de dados sendo coletados. Estes possuem informao de
valor sobre o processo e podem levar a tomadas de deciso efetivas. Entretanto, devem ser
armazenados sem distoro das tendncias, atravs de uma tcnica de compresso de dados
que seja eficiente. Armazenamento e aquisio de dados so processos dispendiosos. Quanto
maior a quantidade de informao com que se lida, mais cara ela . Ao invs disto, grande
parte de sinais digitais no so armazenados na sua forma mais compacta, mas sim na maneira
que os torna mais fceis de serem utilizados ou manuseados, como os formatos de texto
ASCII e cdigos binrios (SMITH, 2004). Todavia, a compresso afeta os resultados de
anlise de dados de processo, como mostraram THORNHILL et al. (2004) e, portanto, devese cuidar na escolha de um bom mtodo de compresso. Vrias tcnicas de compresso tm
sido utilizadas, como algumas mais tradicionais baseadas em interpolao, como BoxCar e
Backward-Slope (HALE e SELLARS,1981) e uma combinao das duas (AspenTech, 2001).
Estes mtodos, entretanto, resultam em baixa compresso. Alguns outros mtodos tm sido
propostos, como o swimming door (BRISTOL, 1990), utilizado pelo historiador PI da OSI,
uma tcnica on-line de tendncias lineares nos segmentos PLOT (OSI Software, 2002),
mtodo de interpolao em linhas retas SLIM, uma tcnica baseada em B-splines utilizando
representao multi-escalas (VEDAM e VENKATASUBRAMANIAN, 1998).
5.2 SUGESTES PARA TRABALHOS FUTUROS
93
A maioria dos mtodos aplicados industrialmente utiliza apenas a informao temporal

como critrio para compactao, o que obviamente no timo. Neste sentido, mtodos
compresso baseados em ondaletas tm sido apontados como boas alternativas, e uma
sugesto de trabalho futuro testar a eficincia destes mtodos, como a tcnica on-line de
compresso baseada na ondaleta de Haar proposta por MISRA et al. (2000). As metodologias
para compresso utilizando ondaletas basicamente consistem inicialmente da aplicao da
transformada das ondaletas ao sinal. Aps, os valores dos coeficientes das ondaletas que so
insignificantes, ou seja, que so menores do que um valor de corte, so considerados iguais a
zero. Ento apenas os valores significativos so considerados, representando um conjunto de
dados bem menor do que o original. Ao final, realiza-se a transformada inversa das ondaletas
com os dados da etapa anterior, no processo de descompresso, o qual deve produzir uma
aproximao do sinal original sem perda de qualidade.
94
5. CONCLUSES
Apndice A
Consideraes Matemticas e Conceitos
A.1 Propriedades Matemticas
Escalonamento: fa(x) denota a dilatao da funo f(x) por um fator de escala a.
f a ( x) =
1 x
f
a a
(A.1)
Convoluo: a convoluo de duas funes f(t) L2(R)1 e g(t) L2(R) definida

como
( f g )(t ) = f ( ) g (t ) d
(A.2)
Funo Delta e Resposta ao Impulso: Todo sinal discreto pode ser interpretado
como um conjunto de impulsos unitrios , chamados de Deltas de Dirac. Impulso um sinal
composto de zeros, exceto por um nico ponto no-nulo (SMITH, 2004). Assim, qualquer
impulso pode ser representado como uma funo delta deslocada e escalonada. Quando um
sinal deste tipo considerado, um procedimento descrito como convoluo utilizado (veja
seo seguinte), de modo que fazer a convoluo de um sinal com uma funo delta resulta no
mesmo sinal.
1
LP(R) o espao de medida de Hilbert das funes, de modo que
f (x )
dx <
96
APNDICE A. CONSIDERAES MATEMTICAS E CONCEITOS
Portanto, como o nome indica, a resposta ao impulso o sinal que o sistema exibe
quando uma funo delta (impulso unitrio) a entrada. Se dois sistemas so diferentes, eles
tero diferentes respostas ao impulso. Como sinais de entrada e sada so usualmente
representados por x[n] e y[n], a resposta ao impulso normalmente definida por h[n].
A resposta ao impulso recebe nomes diferentes, conforme a aplicao. Se o sistema
em considerao um filtro, a resposta ao impulso pode ser chamada de filter kernel,
convolution kernel ou simplesmente kernel.
A.2 Convoluo
Do ponto de vista matemtico, a convoluo um operador matemtico que toma duas
funes f e g e produz uma terceira funo que representa qual a sobreposio existente
entre f e uma verso revertida e transladada de g. Portanto, a convoluo relaciona trs sinais
de interesse: sinal de entrada, sinal de sada e resposta ao impulso.
Se F um operador linear invariante no tempo, atuando em seqncias temporais, ele
tem a forma de uma convoluo (BOGGESS e NARCOWICH, 2001). Assim, existe uma
seqncia f tal que
F ( x) = f x
(A.3)
onde * denota a operao de convoluo entre f e x. Inversamente, se a Eq. (A.3) acima

vlida, ento F um operador linear discreto, invariante no tempo.
Tais operadores de convoluo so chamados de filtros discretos (BOGGESS e
NARCOWICH, 2001). A seqncia f, que satisfaz F(e0) = f, portanto, a resposta a um
impulso no tempo discreto 0, e chamada de resposta ao impulso. Se f possui um nmero
infinito de termos no-nulos, chamado de resposta infinita ao impulso (infinite impulse
response - IIR). Por outro lado, se possui apenas um nmero finito de termos no-nulos uma
resposta finita ao impulso (finite impulse response - FIR).
A convoluo definida, conforme Eq. (A.2), como a integral do produto de uma das
funes com uma cpia revertida e deslocada da outra. A funo resultante depende do valor
deste deslocamento . Para se adquirir uma boa viso intuitiva da convoluo, preciso
entender que diversas cpias transladadas e tomadas de trs-pra-frente de uma das funes so
ponderadas pelo valor da outra funo, e somadas, produzem o resultado. Na Eq. (A.2), f seria
a funo de ponderao, enquanto que cpias revertidas de g estariam sendo deslocadas e
somadas ao resultado. Entretanto, a convoluo no depende da ordem das funes, ou seja, a
funo de ponderao pode ser tanto f quanto g, produzindo o mesmo resultado.
Considere um sistema linear discreto no tempo e uma entrada arbitrria x[n] para este
sistema. Pode-se expressar x[n] como uma combinao linear de impulsos unitrios
deslocados, segundo a Eq. (A.4).
97
x[n] =
x[k ] [n k ]
(A.4)
k =
Utilizando a propriedade de superposio de sistemas lineares, a sada y[n] pode ser

expressa como uma combinao linear das respostas do sistema a impulsos unitrios
deslocados (OPPENHEIM e WILLSKY, 1997). Especificamente, se hk[n] a resposta de um
sistema linear a um impulso unitrio deslocado [n-k], ento a resposta do sistema a uma
entrada arbitrria (KRAUSS et. all, 1999):
y[n] =
x[k ] h [n]
k
(A.5)
k =
A acima Eq. (A.5) expressa, portanto, a resposta de um sistema linear invariante no

tempo (LTI) a uma entrada arbitrria em termos da sua resposta a um impulso unitrio.
Na rea de processamento de sinais digitais, a convoluo pode ser usada para gerar a
sada de um filtro FIR pela convoluo do sinal de entrada com a resposta ao impulso. A
convoluo , ento, uma medida de similaridade entre dois sinais, normalmente utilizada
para encontrar caractersticas em um sinal desconhecido pela comparao com um sinal
conhecido, e pode ser utilizada como um algoritmo genrico e bem eficiente de suavizao e
diferenciao.
Ainda pode-se dizer que a convoluo uma operao realizada com dois sinais que
envolve a multiplicar um sinal por uma verso atrasada de outro sinal, integrar ou fazer a
mdia do produto, e repetir o processo para diferentes atrasos. Desta forma, a convoluo
um processo til porque descreve acuradamente alguns efeitos que ocorrem largamente em
medidas cientficas, como a influncia de um filtro passa-baixa em um sinal eltrico ou de um
espectrofotmetro na forma de um espectro (OHAVER, 2005).
Na prtica, o clculo normalmente realizado pela multiplicao de dois sinais no
domnio de Fourier. Primeiro, a transformada de Fourier de cada sinal obtida. Ento, as duas
transformadas so multiplicadas de acordo com as regras de multiplicao complexa e o
resultado ento inversamente transformado por Fourier. Esta uma maneira de se obter uma
convoluo mais rpida que o algoritmo de deslocamento-e-multiplicao quando o nmero
de pontos do sinal grande, entretanto ela introduz um certo atraso.
Implementando a convoluo utilizando FFT se obtm uma convoluo cclica
(MADISETTI e WILLIAMS, 1998). De maneira a utilizar a FFT, zeros so adicionados no
final do sinal ou da seqncia do filtro at que ambos possuam o mesmo comprimento. Se a
FFT do sinal x[n] multiplicada termo a termo pela FFT do filtro h[n], o resultado a FFT da
sada y[n]. Entretanto, o comprimento de y[n] obtido pela inversa da FFT igual ao
comprimento da entrada. O aliasing (quando o sinal contnuo discretamente amostrado e
no pode ser reconstrudo devido perda de informao) causado pela convoluo cclica
pode ser superado pela adio de zeros tanto em x[n] quanto em y[n] at que seus
98
comprimentos sejam N+L-1 e ento pelo uso da FFT. A parte do sinal de sada que
conhecida/reconhecida (aliased) zero, e o resultado da convoluo cclica exatamente o
mesmo da convoluo no-cclica. O preo realizar FFT de seqncias com comprimentos
maiores, mas seqncias as quais aproximadamente metade dos nmeros so zeros.
No caso das ondaletas, a CWT uma convoluo contnua da funo ondaleta com o
sinal ao longo das escalas contnuas (ou seja, convoluo circular de f(t) com Wa,b(t)).
Lembra-se que a CWT uma anlise muito redundante, pois mapeia uma funo 1D em uma
funo 2D. A discretizao da WT permite que esta seja calculada como uma srie de
convolues discretas no tempo em intervalos de escala discretos.
A.1 Invarincia no Tempo

Um sistema invariante no tempo se um deslocamento no tempo no sinal de entrada
causa um deslocamento no tempo no sinal de sada. Precisamente, se y[n] a sada em um
tempo discreto para uma entrada x[n], ento um sistema invariante no tempo se y[n-k] a
sada quando x[n-k] aplicado (OPPENHEIM e WILLSKY, 1997).
A Eq. (2.15), que representa a transformada didica, no invariante no tempo
(MERTINS, 1999) porque um atraso no sinal de entrada f(x-l) leva a
C (2 j (k 2 j l ),2 j ) = 2 j
f ( x l ) (2 x k )
f (i) (2 i [k 2 l ])
j
= 2 j
(A.6)
Somente se l mltiplo de 2j obtm-se verses deslocadas dos mesmos coeficientes

das ondaletas. Entretanto, para muitas aplicaes como reconhecimento de padres e
estimao do movimento no domnio das ondaletas desejvel que se atinja a invarincia de
translao. Este problema pode ser resolvido computando todos os valores
C (k , 2 j ) = 2 j
f ( x) (2
(x k ))
(A.7)
Geralmente este clculo computacionalmente dispendioso, mas quando se usa o

Algorithm Trous o clculo torna-se to eficiente quanto o da DWT.
A.2 Efeitos de Borda

Quando uma convoluo realizada em sinais de comprimento finito, normalmente
acontecem distores nas bordas. Para se adequar a este problema, as bordas devem ser
tratadas de uma maneira diferenciada com relao as outras partes do sinal. Maneiras simples
99
de estender o sinal nas bordas so tcnicas preferveis, pois envolvem computao de uns
poucos coeficientes extras em cada estgio do processo de decomposio de modo a atingir a
reconstruo perfeita. Salienta-se que a extenso necessria em cada estgio do processo de
decomposio (MISITI et al., 2006).
Estes tratamentos para as bordas do sinal assumem algum tipo de comportamento para
alm de suas extremidades. Se estes comportamentos estiverem incorretos, ento mudanas
bruscas podem ocorrer nos coeficientes das ondaletas e pontos esprios podem aparecer no
sinal reconstrudo (BRADLEY e WILSON, 2004).
Algumas tcnicas de extenso de borda (MISITI et al., 2006) comumente utilizadas
so zero padding, periodic padding, smooth padding e even periodic. Estas tcnicas esto
brevemente descritas abaixo.
Zero padding assume que o sinal zero fora do suporte original

(preenchimento com zeros) e isso claramente implica em baixo esforo
computacional. A desvantagem que descontinuidades so artificialmente
criadas nas bordas.
Periodic padding (ou odd periodic) uma extenso peridica do sinal, pois
insere cpias do sinal no comeo e no final do sinal original para produzir uma
srie de sinais um depois do outro. A desvantagem cria descontinuidades
artificiais nas bordas. Por outro lado, produz o menor comprimento para a
decomposio das ondaletas.
Symmetrization (ou boundary value replication ou even periodic) reflexo

simtrica dos valores das bordas, pela adio de cpias reversas do sinal no
comeo e no final do sinal original para produzir uma srie de sinais que so
espelhos uns dos outros. Possui a desvantagem de criar descontinuidades
artificiais nas bordas da derivada de primeira ordem.
Smooth padding de ordem 1 a simples extrapolao da derivada de primeira

ordem, usando ajuste de extenso linear aos dois primeiros e dois ltimos
valores. um mtodo bom para sinais suaves. Tambm h o mtodo de smooth
padding de ordem 0, que extrapolao de um valor constante, o que significa
repetir o primeiro valor na esquerda e o ltimo valor na direita.
Para uma ondaleta ortogonal e um sinal definido em um intervalo de tempo infinito, a

DWT terica possui as seguintes propriedades (MISITI et al., 2006): preservao da norma
( X 2 = cA 2 + cD 2 ), ortogonalidade ( X 2 = A 2 + D 2 ) e reconstruo perfeita (X = A + D).
Como a DWT aplicada a sinais definidos em um intervalo de tempo finito, um mtodo de
extenso necessrio para a decomposio, e truncamento necessrio para a reconstruo.
Para assegurar a reconstruo perfeita para um sinal de comprimento arbitrrio, se a
ondaleta e o modo de extenso so arbitrrios, a preservao da norma e a ortogonalidade
100
podem ser perdidas. Se estas propriedades so preservadas para um sinal estendido de

comprimento normalmente maior do que o do sinal original, ento somente a propriedade de
reconstruo perfeita sempre preservada. Por outro lado, se a DWT realizada utilizando o
modo de extenso peridica e se o sinal possui comprimento divisvel por 2J (onde J o nvel
mximo de decomposio), ento todas as propriedades so verdadeiras.
Apndice B
Algoritmo das Ondaletas
Nesta seo, descreve-se o algoritmo que faz uso das ondaletas para os clculos de
deteco de estados estacionrios e extrao da tendncia de um sinal. Os algoritmos foram
implementados no MATLAB.
Os coeficientes dos filtros passa-baixa e passa-alta foram extrados do artigo de
MALLAT e ZHONG (1992) e esto apresentados abaixo.
H = [ 0.125 0.375 0.375 0.125 ];

G = [ 0 -2.0 2.0 0 ];
K = [ 0.0078125 0.054685 0.171875 -0.171875 -0.054685 -0.0078125 ];
Htil = conj( H );
Cabe lembrar que estes coeficientes so para a primeira decomposio, que resulta no
nvel j = 1. Para a decomposio do nvel 1 tem-se
H = [ 0.1250 0 0.3750 0 0.3750 0 0.1250 ]
E assim, de modo genrico, so inseridos (2j-1) zeros entre cada coeficiente, de acordo
com o nvel j.
B.1 Decomposio do Sinal (Transformada das Ondaletas)

A funo que calcula o sinal de sada de detalhe wt1 tem como parmetros de entrada
o vetor de dados, os coeficientes do filtro passa-alta G, o comprimento do vetor de dados lx e
do filtro G lg e um fator lambda de normalizao de energia, conforme apresentado na seo
2.4.5. O algoritmo primeiramente estende o vetor de dados data usando a tcnica de extenso
peridica, para evitar efeitos de borda, por lg-1 pontos. A convoluo ento realizada entre
102
APNDICE B. ALGORITMO DAS ONDALETAS
o vetor de dados estendido y e o filtro G, resultando nos coeficientes de detalhe wt1d. Como o
vetor resultante desta convoluo maior do que o vetor de dados do sinal, mantm-se apenas
a parte central do vetor wt1d, com tamanho do vetor dos dados originais lx.
function wt1 = wtd( data,G,lx,lg,lambda )
y = wextend( '1d','per',data,lg-1 );
wt1d = wconv( '1d', y, G ) / lambda;
wt1 = wkeep( wt1d,lx );
De forma semelhante, os coeficientes de aproximao so calculados, apenas alterando

para filtro passa-baixa H.
function sf = wta( data,H,lx,lh )
ya = wextend( '1d','per',data,lh-1 );
sfa = wconv( '1d', ya, H );
sf = wkeep( sfa,lx );
interessante lembrar que, deste modo, resultam vetores wt1 e sf de mesmo tamanho.
O resultado desta etapa mostrado na Figura B.1, para um sinal analisado a 3 nveis
de decomposio.
Figura B.1: Decomposio do sinal em aproximaes e detalhes.
103
B.2 Remoo de Rudo Branco

O rudo eliminado do sinal pela aplicao de valores de corte (soft thresholding), o
que significa que os coeficientes de aproximao e detalhe que so abaixo de um valor
estabelecido so zerados, permanecendo apenas os que excedem tal valor, conforme Eq. (3.1)
apresentada na seo 3.2. O valor de corte varia conforme o nvel de decomposio. O
resultado pode ser visto na Figura B.2.
No caso do primeiro nvel, dominado pelo rudo, o valor de corte foi estabelecido
como a mdia do valor absoluto dos coeficientes de detalhe de nvel 1 resultantes da
decomposio de um perodo histrico considerado. Para os outros nveis, o valor de corte
determinado segundo a Eq. (3.2) tambm apresentada na seo 3.2.
Figura B.2: Sinal original e suas aproximaes e detalhes, aps aplicao de valores de corte
(soft-thresholding).
B.3 Remoo de Picos Anormais

Em um sinal de processo, pode haver alguns picos que sejam extremamente desviados
da mdia (outliers), como pulsos, por exemplo. Estes picos, aqui denominados de picos
anormais, devem ser eliminados do sinal para anlise, pois podem trazer falsas informaes,
no coerentes com a realidade. Por exemplo, se ocorreu uma queda instantnea de voltagem, o
medidor registrar esta queda que, se no for eliminada dos dados de anlise, pode ser
104
interpretada com uma regio de instabilidade. Isto no real, pois o processo pode continuar
estacionrio, visto que este pico um pulso de curta durao de tempo, quando comparado a
uma perturbao normal, caracterstica do processo.
Por isso, estes picos anormais so detectados, em todos os nveis, com exceo do
primeiro, pela ocorrncia de um par de coeficientes de detalhe com sinal contrrio p1 e p2, de
magnitude superior a um valor de corte T1 e com uma durao que menor que um intervalo
de tempo tp (estimado como 1/5 da constante de tempo), conforme mostra a Figura B.3. A
durao do pico [ta, tb] correspondente ao primeiro coeficiente de detalhe imediatamente
antes de p1 e pelo ltimo ponto imediatamente aps p2 que ficam dentro da faixa estabelecida
pelos valores de corte T1 e T2, conforme indica a Eq. (Erro! Fonte de referncia no
encontrada.) e tambm representado na Figura B.3.
WT (t a ) e WT (t b ) T2
WT (t a 1) e WT (t b + 1) < T2
(B.1)
Os valores de T1 e T2 so obtidos a partir de dados histricos. T2 a mdia do valor

absoluto dos coeficientes de detalhe na escala caracterstica obtidos pela transformada das
ondaletas dos dados histricos. T1 calculado como 3 vezes o desvio padro destes
coeficientes de detalhe, e corrigido por um fator de variabilidade 1, aqui considerado igual
a 1.
Figura B.3: Tratamento de pico anormal: f(t) so os dados originais, f'(t) so os dados
tratados por extenso simtrica, WT(f) so os coeficientes de detalhe, T1 o valor
de corte para identificao de pico anormal, T2 o valor de corte para clculo da
durao de pico anormal, ta o instante de tempo de incio do pico anormal, tb
o tempo final da durao do pico anormal, p1 e p2 so os pontos de sinais
contrrios nos coeficiente de detalhe que identificam um pico anormal.
105
Para remover ou tratar picos anormais, uma das tcnicas mais utilizadas a extenso
simtrica peridica (JIANG et al., 2003). A tcnica consiste em reproduzir simetricamente,
em torno do ponto ta-1, os ltimos pontos anteriores ao incio do pico anormal. Se, ento, um
pico anormal tem durao n (intervalo [ta, tb]), o pico removido tratando seus coeficientes de
detalhe e aproximao segundo
d ta + j = d ta 1 j e a ta + j = a ta 1 j
(B.2)
para 1 j n.
A Figura B.4 apresenta um exemplo de sinal com picos anormais, em 250 e em 720,
os quais foram removidos pelo tratamento de extenso simtrica.
Figura B.4: Sinal com picos anormais e o sinal aps tratamento com tcnica de extenso
simtrica e remoo de rudo.
B.4 Reconstruo (Transformada Inversa das Ondaletas)

O processo de sntese ou reconstruo realizado da escala caracterstica J at a
primeira escala (j = 1), considerando os coeficientes modificados, ou seja, aps a aplicao de
valores de corte e eliminao de picos anormais. A soma do sinal de aproximao com o de
detalhe do nvel j resulta na aproximao do nvel j-1. Isto significa fazer a convoluo das
aproximaes e detalhes do nvel j pelos filtros passa-baixa e passa-alta, respectivamente, do
nvel j-1.
fr1 = lambda * wta( cd,ck,lcd,lck );

fr2 = wta( ca,chtil,lca,lchtil );
f = fr1 + fr2;
106
O vetor fr1 representa os detalhes do nvel j, onde a funo wta a mesma

exemplifica anteriormente, porm agora o vetor de entrada o vetor dos coeficientes de
detalhe modificados cd, cujo comprimento lcd, e o filtro passa-alta ck, de comprimento
lck.
O vetor fr2 representa, por sua vez, as aproximaes do nvel j, sendo a convoluo
realizada com os coeficientes de aproximao modificados ca, de comprimento lca, e o filtro
passa-baixa chtil, de comprimento lchtil.
Assim, o sinal f o sinal reconstrudo no nvel j-1, a partir da soma das aproximaes
e dos detalhes.
A Figura B.5 mostra um exemplo de sinais reconstrudos. Para o exemplo anterior de
3 nveis de decomposio, pode-se reconstruir o sinal aos nveis 2, 1 e 0, que representa o
sinal reconstrudo integralmente (o que seria o sinal original).
Figura B.5: Sinal original e sinais reconstrudos aos nveis de reconstruo completa, nvel 1
e nvel 2.
107
B.5 Valores de Corte para Deteco de Estacionrios

Se o objetivo a deteco de estados estacionrios em um sinal de processo, alguns
valores de corte devem ser calculados pelo algoritmo, como mencionado na seo 4.1. No
algoritmo, so calculados Ts, Tu e Tw a partir de dados histricos.
O valor de corte abaixo do qual se considera estacionrio, Ts, calculado como o
desvio padro do mdulo dos coeficientes de detalhe, na escala caracterstica, obtidos pela
transformada das ondaletas dos dados histricos. Acima de Tu, os dados so completamente
no-estacionrios, e este valor de corte calculado como 3 vezes o valor de Ts, corrigido
tambm por um fator de variabilidade 2, considerado igual a 2 neste algoritmo. Tu tambm
pode ser informado diretamente, se o processo e sua variabilidade so conhecidos. Por fim, o
valor de Tw, que o valor de corte para a derivada de segunda ordem (transformada das
ondaletas da transformada das ondaletas de dados histricos na escala caracterstica),
determinado como a mdia do mdulo dos coeficientes de detalhe de segunda ordem.
Estes valores de corte so determinados apenas uma vez para cada varivel, e, ento,
para qualquer determinao de estacionrios desta varivel usam-se estes valores de corte
inicialmente estimados. Como resultado de sua aplicao, tem-se o exemplo da Figura B.6.
Figura B.6: Sinal original, tendncia do sinal fs, derivada de primeira ordem WT1, derivada
de segunda ordem WT2, ndice de estado estacionrio B.
108
Apndice C
Propriedades das Ondaletas
As propriedades mais importantes das ondaletas so as condies de admissibilidade e
a regularidade, e so elas que do s ondaletas o seu nome. Estas propriedades, entre outras,
sero apresentadas a seguir. As propriedades de cada ondaleta que definem o tipo de sinal
aproximado e sua melhor aplicao. Isto quer dizer que, de acordo com a aplicao desejada,
a ondaleta deve seguir algumas caractersticas especficas.
C.1 Admissibilidade
Quando a transformada de um sinal utilizada para se obterem melhores informaes
sobre o mesmo, deve-se assegurar que este sinal possa ser perfeitamente reconstrudo a partir
de sua representao, pois, seno, a representao torna-se sem significado relevante.
Para a WT, a condio que deve ser seguida para garantir a reconstruo perfeita
(C.1). Esta condio conhecida como condio de admissibilidade para a ondaleta (t). A
prova de (C.1) pode ser encontrada em MERTINS (1999), seo 8.3.
Funes quadrticas integradas (t) que satisfazem a condio de admissibilidade
( )
d < +
(C.1)
podem ser usadas para analisar primeiramente o sinal e ento reconstru-lo sem perda de
informao (VALENS, 2004). Em C.1, () representa a transformada de Fourier da
ondaleta (t).
110
APNDICE C. PROPRIEDADES DAS ONDALETAS
A condio de admissibilidade implica que a transformada de Fourier de (t)

desaparea na freqncia zero, ou seja,
( )
=0
=0
(C.2)
Isto significa que as ondaletas devem ter um espectro do tipo passa-banda. Esta uma
observao importante, que pode ser usada para a construo de uma transformada de
ondaletas eficiente.
Um zero na freqncia zero tambm significa que o valor mdio da ondaleta no
domnio do tempo deve ser zero
(0) = (t ) dt = 0
(C.3)
Alm disso, |()| deve decair rapidamente para ||0 e para ||. Ou seja, (t)
deve ser uma resposta ao impulso de banda. Como uma resposta ao impulso de banda parece
como uma onda pequena, a transformada chamada de transformada das ondaletas
(MERTINS, 1999).
C.2 Momentos Nulos

A decomposio de sinais muitas vezes realizada com a inteno de compactao de
sinais. Muitos destes sinais a serem comprimidos so de natureza de baixa freqncia e
podem ser bem aproximados localmente por polinmios de baixa ordem (MERTINS, 1999).
Portanto, interessante buscar por ondaletas com boas propriedades de aproximao para
polinmios de baixa ordem. Assim, pode-se ver que estas propriedades de aproximao de
uma decomposio multi-resoluo esto intimamente relacionadas ao nmero de momentos
nulos de uma ondaleta.
Da maneira como a transformada contnua das ondaletas formulada, uma ondaleta
simplesmente uma funo de energia finita com mdia zero (MALLAT, 1999). Uma das
caractersticas mais importantes das ondaletas o seu nmero de momentos nulos (vanishing
moments) ou ordem de aproximao,
mk =
(t ) dt = 0
(C.4)
para 0 k < n, onde mk representa o k-simo momento, cujo nmero ideal depende da
aplicao desejada. Se uma ondaleta possui n momentos nulos, ento a ordem de aproximao
da transformada das ondaletas tambm n. Os momentos so precisam ser exatamente zero,
pois um valor pequeno j suficiente o bastante.
111
De uma maneira anloga Transformada de Fourier, os momentos tambm podem ser

representados pelo decaimento rpido da ondaleta com n momentos nulos se existe uma
funo com decaimento rpido tal que
(t ) = (1) n
d n (t )
dt n
(C.5)
Assim, se a funo tem n zeros em t = 0, a ondaleta tem n momentos nulos, o que

significa que a Eq. (C.4) tem k = 0, 1, ..., n-1 (MERTINS, 1999).
Como conseqncia,
dn
Wf (u , s ) = s
f s (u )
du n
n
(C.6)
onde s (t ) = 1 s ( t s ) . Alm disso, no possui mais do que n momentos nulos se, e

+
somente se, (t ) dt 0 . Ento, uma ondaleta com n momentos nulos pode estimar
derivadas de n-sima ordem do sinal. Assim, ondaletas com um grande nmero de momentos
nulos podem representar sinais com poucos coeficientes no-nulos, proporcionando uma
representao esparsa apropriada para compresso de dados e clculos rpidos (MALLAT,
1999).
A propriedade de momentos nulos torna possvel a anlise da regularidade local do
sinal. Uma ondaleta possui m momentos nulos se e somente se sua funo de escala pode
gerar polinmios de grau menor ou igual a m. Se as estruturas polinomiais do sinal at ordem
m so completamente reproduzidas pelas funes de escala, os coeficientes das ondaletas so
anulados na representao multi-resoluo.
Enquanto esta propriedade usada para descrever o "poder de aproximao" das
funes de escala, no caso das ondaletas ela tem um duplo sentido, isto , a possibilidade de
caracterizar a ordem de singularidades isoladas. O nmero de momentos nulos determinado
somente pelos coeficientes h[n] do filtro h que relacionado funo de escala. Se a
transformada de Fourier da ondaleta p vezes continuamente diferencivel, ento 3 condies
so equivalentes: a ondaleta y possui p momentos nulos; a funo de escala j pode gerar
polinmios de grau menor ou igual a p; e a funo de transferncia do filtro h e suas primeiras
p-1derivadas desaparecem em = p.
A escolha do nmero de momentos nulos na construo de uma ondaleta, bem como
mais informaes sobre esta propriedade, est detalhada na seo 8.6.5 de MERTINS (1999).
112
C.3 Suporte Compacto

Se os filtros passa-baixa e passa-alta h[n] e g[n] so filtros FIR, ento as funes de
escala e ondaleta resultantes tm suporte finito (DAUBECHIES, 1998). A prova pode ser
vista na seo 8.6.7 de MERTINS (1999).
A funo de escala possui suporte compacto se e somente se o filtro h possui suporte
finito, e seus suportes sejam de mesmo tamanho. Se o suporte da funo de escala [N1, N2],
ento o suporte da ondaleta [(N1-N2+1)/2, (N2-N1+1)/2] (MALLAT, 1999).
C.4 Regularidade
Regularidade uma medida da suavidade de uma funo, associada, portanto, com a
derivao do sinal (WORNELL, 1996). Em particular, uma funo dita regular de ordem R
se sua transformada de Fourier F() decai de acordo com
R
( ),
F( ) ~ O
(C.7)
Usa-se o termo regular para definir uma funo que , pelo menos, regular de
primeira ordem, e observe que uma funo regular de ordem R tem R-1 derivadas regulares.
Da mesma forma, para ondaletas
1
( ),
( ) ~ O
(C.8)
A notao O(.) interpretada como

A( ) ~ O (B ( ) ),
lim

A( )
<
B ( )

(C.9)
Normalmente, funes suaves para (t) so preferidas, pois estas podem possuir vrias
derivadas contnuas. Regularidade uma propriedade associada aos filtros passa-baixa. Dada
uma funo (t), a funo (t) de acordo com Eq. (2.23) ser contnua para qualquer
seqncia g[n] (MERTINS, 1999).
Em geral, a suavidade da ondaleta-me proporcional ao comprimento do suporte, ou
seja, um suporte mais longo implica em uma ondaleta mais suave. Entretanto, deve-se
observar a relao implcita na anlise tempo-freqncia entre resoluo no domnio do tempo
(aumenta com diminuio do comprimento do suporte) e resoluo no domnio da freqncia
113
(que aumenta com aumento do comprimento do suporte) (BRADLEY e WILSON, 2004).

Assim, DAUBECHIES (1992) mostrou que a suavidade incompatvel com as propriedades
de ortonormalidade e suporte compacto.
Mais conceitos matemticos sobre esta propriedade podem ser encontrados em
MALLAT (1999).
C.5 Simetria
A resposta de fase de um filtro, e conseqentemente a ondaleta, definida pelas suas
propriedades de simetria. Se uma ondaleta-me tem simetria par ou impar (tanto simtrica
quanto anti-simtrica) ento ela ter fase linear (BRADLEY e WILSON, 2004).
Funes de escala e ondaletas simtricas so importantes pois so usadas para
construir bases de ondaletas regulares em um intervalo, ao invs de todo o eixo real
(MALLAT, 1999). Daubechies provou que, para uma ondaleta ser simtrica ou anti-simtrica,
seu filtro deve ter uma fase linear complexa, e o nico filtro espelhado conjugado simtrico
compactamente suportado o filtro de Haar (uma B-spline de ordem zero), que corresponde a
uma ondaleta descontnua com somente um momento nulo. Alm da ondaleta de Haar, no h
outra que seja simtrica, ortogonal e de suporte compacto. Assim, uma ondaleta de suporte
compacto (ortogonal) no pode ser simtrica e contnua (MALLAT, 1999).
A simetria importante para a anlise de sinais finitos e indica que o filtro possui fase
linear, que uma propriedade desejada pois significa que o filtro tem atraso de fase constante,
ou seja, todos os componentes de freqncia do sinal so atrasados pelo mesmo nmero de
amostragens quando passam pelo filtro (OPPEHEIM e WILLSKY, 1997). Isto significa que
se um nmero de componentes de freqncia em fase passa atravs de um filtro de fase linear,
eles estaro em fase na sada tambm. Isto no acontece para um filtro de fase no-linear,
gerando distoro de fase.
H uma vantagem adicional em se usar uma ondaleta com fase linear: como a ondaleta
simtrica, o nmero de multiplicaes na integral da convoluo pode ser reduzido metade
(adicionando amostras ao sinal antes da multiplicao pelos coeficientes do filtro)
(BRADLEY e WILSON, 2004).
A melhor maneira de obter simetria usando filtros espelhados em quadratura (QMF).
QMF so pares combinados de filtros passa-baixa e passa-alta com caractersticas de corte
similares, de modo que quando so aplicados simultaneamente (combinao dos filtros
equivale a uma multiplicao) o filtro passa-banda resultante tem forma simtrica em ambos
lados da sua freqncia central. O par de QMF divide o sinal original em componentes de
baixa e alta freqncias, sendo que a diviso o ponto que divide o intervalo entre 0 Hz e
metade da freqncia de amostragem dos dados pelo meio (ALSBERG et al.,1997).
114
C.6 Energia
Uma questo importante no processo de decomposio pensar na reconstruo do
sinal. A reconstruo perfeita de um sinal nem sempre possvel. A reconstruo estvel do
sinal a partir das suas sries de decomposio por ondaletas possvel (DAUBECHIES,
1992), e tem como condio necessria e suficiente que a energia dos coeficientes da ondaleta
deve ficar entre dois limites positivos, 0 < A B < , conforme Eq. (C.10).
A f
f , j ,k
B f
(C.10)
j ,k
onde || f ||2 a energia de f(t), e A e B so independentes de f(t).

Ao avaliar a qualidade da reconstruo, se falamos que duas funes so parecidas,
deve-se esperar observar esta semelhana tambm no espao dos coeficientes das ondaletas.
Matemticos dizem que estes dois espaos tm a mesma topologia. O efeito disto que
podemos estabelecer limites inferiores e superiores para a soma de todos os produtos internos
entre a funo e a funo da ondaleta. No caso, estes limites so os valores A e B da
Eq. (C.10).
Quando a Eq. (C.10) satisfeita, a famlia de funes base j,k(t) chamada de frame
(VALENS, 2004). Se os dois limites A e B so iguais, diz-se que o frame estreito e, neste
caso, as ondaletas discretas comportam-se exatamente como uma base ortonormal. Assim,
frames constituem um tipo de ondaleta que no ortonormal, e podem ser vistos como algo
entre a WT ortonormal no-redundante e a muito redundante CWT (ALSBERG et al., 1997).
Referncias Bibliogrficas
AKBARYAN, F. e BISHNOI, P. R.. Smooth representation of trends by a wavelet-based
technique. Computers and Chemical Engineering, 24, p. 1913-1943 (2000).
ALSBERG, B. K.; WOODWARD, A. M. e KELL, D. B.. An introduction to wavelet
transforms for chemometricians: A time-frequency approach. Chemometrics and
Intelligent Laboratory Systems, 37, p. 215-239 (1997).
ALTMANN, J.. Surfing the wavelets (1996). Disponvel em: http://www.wavelet.org/tutorial/.
AspenTech. Analysis of data storage technologies for the management of real-time process
manufacturing data. Disponvel em: http://www.advanced-energy.com/Upload/
symphony_wp_infoplus.pdf (2001).
BOGGESS, A. e NARCOWICH, F. J.. A first course in wavelets with Fourier analysis.
Prentice Hall, Texas (2001).
BOOR, C. de. Spline Toolbox for use with Matlab. Version 2. MathWorks, Inc. (1999).
BORES Signal Processing: Fordwater Pond Road Woking, United Kingdom (2004).
Disponvel em: http://www.bores.com/courses/intro/filters/.
BOURG, D. M.. Excel Scientific and Engineering Cookbook. OReilly (2006).
BRADLEY, A. P. e WILSON, W. J.. On wavelet analysis of auditory evoked potentials.
Clinical Neurophysiology, 115 , p. 11141128 (2004).
BRISTOL, E.H.. Swimming door trending: adaptative trend recording, in: ISA National
Conference Proceedings, p. 749-753 (1990).
BROWN, P. R. e RHINEHART, R. R.. Automated steady-state identification in multivariate
systems. Process Control and Information Systems, Hydrocarbon Processing,
september (2000).
BURRUS, C. S.; GOPINATH, R. A. e GUO, H.. Introduction to Wavelets and Wavelet
Transforms: a primer. Prentice Hall, Englewood Cliffs, NJ (1997).
116
REFERNCIAS BIBLIOGRFICAS
CAO, S. e RHINEHART, R. R.. An efficient method for on-line identification of steady state.
J. Process Control, 5 (6), p. 363-374 (1995).
CHARBONNIER, S.; BELTAN, C. G., CADET, C. e GENTIL, S.. Trends extraction and
analysis for complex system monitoring and decision support. Engineering
Applications of Artificial Intelligence, 18, p. 2136 (2005).
CHIANG, L. H.; RUSSELL, E. L. e BRAATZ, R. D.. Fault detection and diagnosis in
industrial systems. Springer-Verlag, Great Britain (2001).
CHING, P. C..; SO, H. C. e WU, S. Q.. On Wavelet Denoising and its Applications to Time
Delay Estimation. IEEE Transactions on Signal Processing., 47 (10), p. 2879-2882
(1999).
DAUBECHIES, I.. Ten Lectures on Wavelets. Society for Industrial and Applied
Mathematics, Philadelphia, PE (1992).
DAUBECHIES, I.. Orthonormal bases of compactly supported wavelets. Comm. Pure and
Appl. Math., 41, p. 909-996 (1998).
DOYMAZ, F.; BAKHTAZAD, A.; ROMAGNOLI, J. A. e PALAZOGLU, A.. Wavelet-based
robust filtering of process data. Computers and Chemical Engineering, 25, p. 15491559 (2001).
DUAN, J. e OWEIS, I. S.. Dyadic wavelet analysis of PDA (pile dynamic analyzer) signals.
Soil Dynamics and Earthquake Engineering, 25, p. 661-677 (2005).
DUTTILEX, P.. An implementation of the algorithme trous to compute the wavelet
transform, em Wavelets: Time-Frequency Methods and Phase Space, J. M. Combes,
A. Grossman e P. Tchamitchian, Eds. Berlin, Germany: Springer-Verlag, p. 298304
(1989).
FLEHMIG, F., WATZDORF, R. v. e MARQUARDT, W.. Identification of trends in process
measurements using the Wavelet Transform. Computers and Chemical Engineering,
22, p. S491-S496 (1998).
GOODWIN, G.; GRAEBE, S. F. e SALGADO, M. E.. Control System Design. Prentice Hall,
Upper Saddle River, New Jersey, p.319-320 (2001).
HALE, J.C., SELLARS, H.L.. Historic data recording for process computers. Chemical
Engineering Progress, 77, p. 38-43, November (1981).
HOLSCHNEIDER, M.; KRONLAND-MARTINET, R.; MORLET, J. e TCHAMITCHIAN,
P.. A real-time algorithm for signal analysis with the help of the wavelet transform, em
Wavelets: Time-Frequency Methods and Phase Space, J. M. Combes, A. Grossman e
P. Tchamitchian, Eds. Berlin, Germany: Springer-Verlag, p. 286297 (1989).
117
INGLE, V. K. e PROAKIS, J. G.. Digital Signal Processing Using MATLAB. Version 4. PWS
Publishing Company, Boston, MA (1997).
JIANG, T.; CHEN, B. e HE, X.. Industrial application of Wavelet Transform to the on-line
prediction of side draw qualities of crude unit. Computers and Chemical Engineering,
24, p. 507-512 (2000).
JIANG, T.; CHEN, B.; HE, X. e STUART, P.. Application of steady-state detection method
based on wavelet transform. Computers and Chemical Engineering, 27, p. 569-578
(2003).
KRAUSS, T. P.; SHURE, L. e LITTLE, J. N.. Signal Processing Toolbox Users Guide, for
use with Matlab. Verso 4.2. The MathWorks, Inc., Natick, MA (1999).
LANG, M.; GUO, H.; ODEGARD, J. E.; BURRUS, C. S. e R. O. WELLS Jr. Nonlinear
processing of a shift invariant DWT for noise reduction em Proc. SPIE Wavelet
Applications II, vol. 2491, H. H. Szu, Ed., Orlando, FL, p. 640651 (1995).
LANG, M.; GUO, H.; ODEGARD, J. E.; BURRUS, C. S. e R. O. WELLS Jr. Noise reduction
using an undecimated discrete wavelet transform. IEEE Signal Process. Lett., 3 (1), p.
1012 (1996).
LATHI, B. P.. Signal processing and linear systems. Berkeley-Cambridge Press, Carmichael,
CA, p. 500-506 (1998).
LEVINE, W. S.. The Control Handbook. CRC and IEEE Press, Boca Raton, Florida,
p.239,240,253-4,261-3,313-4,1033 (1996).
LJUNG, L.. MATLAB System Identification Toolbox, Users Guide. Verso 4.0.5. The
MathWorks, Inc., Natick, MA (1997).
LOSADA, R. A.. Practical FIR Filter Design in Matlab. Revision 1.1. The MathWorks, Inc.
(2004).
MACKENZIE, D.. Wavelets: seeing the forest and the trees. Beyond DiscoveryTM: The Path
from Research to Human Benefit, National Academy of Sciences (2001).
MADISETTI, V. e WILLIAMS, D. B.. The digital signal processing handbook. CRC and
IEEE Press, Boca Raton, Florida (1998).
MALLAT, S.. A wavelet tour of signal processing. Academic Press (1999). Uma verso
adaptada por F. Chaplais disponibilizada em: http://cas.ensmp.fr/~chaplais/
Wavetour_presentation/Wavetour_presentation_US.html.
MALLAT, S.. A Theory for Multiresolution Signal Decomposition: The Wavelet
Representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2
(7), p. 674-693 (1989).
118
MALLAT, S. e ZHONG, S. Characterization of signals from multiscale edges. IEEE

Transactions on Pattern Analysis and Machine Intelligence, 14 (7), p. 710-732 (1992).
MATLAB uma marca registrada de The Mathworks, Inc.. Natick, MA, USA.
http://www.mathworks.com.
MERTINS, A.. Signal Analysis: Wavelets, Filter Banks, Time-Frequency Transforms and
Applications. John Wiley and Sons, England (1999).
MISITI, M.; MISITI, Y.; OPPENHEIM, G. e POGGI, J.. Wavelet Toolbox, for use with
Matlab. Version 3. The MathWorks, Inc. (2006).
MISRA, M., KUMAR, S., QIN, S. J. E SEEMANN, D.. Online data compression and error
analysis using wavelet technology. AIChE Journal, 46, p. 119-132 (2000).
MORETTIN, P. A.. Ondaletas e seus usos em estatstica. Universidade de So Paulo, SP
(1997).
NARASIMHAN, S.; MAH, S. H. e TAMHANE, A. C.. A Composite Statistical Test for
Detecting Changes of Steady States. AIChE Journal, 32 (9), p. 1409-1418 (1986).
NARASIMHAN, S. e JORDACHE, C.. Data Reconciliation & Gross Error Detection: An
Intelligent Use of Process Data. Gulf Publishing Company, Houston, Texas (2000).
OAKLAND, J. S.. Statistical Process Control. 5 ed. Butterworth-Heinemann, Burlington,
MA (2003).
OHAVER, T. An Introduction to Signal Processing in Chemical Analysis (2005).
Department of Chemistry and Biochemistry, University of Maryland. Disponvel em:
http://www.wam.umd.edu/~toh/spectrum/TOC.html.
OPPEHEIM, A. V. e WILLSKY, A. S.. Signals & Systems. Prentice-Hall, Upper Saddle
River, N.J. (1997).
OSI Software Inc.. PI data storage component overview. Disponvel em:
http://www.osisoft.com/ 270.htm (2002).
POLIKAR, R.. The Story of Wavelets. in Physics and Modern Topics in Mechanical and
Electrical Engineering, (ed. Mastorakis, N), World Scientific and Eng. Society Press,
p. 192-197 (1999).
POLIKAR, R.. The wavelet tutorial: the engineer's ultimate guide to wavelet analysis. Rowan
University, College of Engineering (2001). Disponvel em:
http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html.
INGLE, V. K. e PROAKIS, J. G.. Digital Signal Processing using Matlab. PWS Publishing
Company, ITP (1997).
119
RIOUL, O. e VETTERLI, M.. Wavelets and signal processing. IEEE Signal Processing
Magazine, p. 14-38 (1991).
SAS OnlineDoc, Version 8, Cary, NC: SAS Institute Inc., USA (1999). Disponvel em:
http://www.sasdocs.utoledo.edu/stat/chap65/sect43.htm.
SECCHI, A. R.; SANTOS, M.G.; NEUMANN, G.A. e TRIERWEILER, J.O.. A dynamic
model for a FCC UOP stacked converter unit. Computers and Chemical Engineering,
25, p. 851858 (2001).
SMITH, J. O.. Introduction to Digital Filters. "FIR Filters" section (2004). Disponvel em:
http://ccrma.stanford.edu/~jos/filters/Finite_Impulse_Response_FIR.html.
SUNDARESAN, K. R. e HRISHNASWAMY, P. R.. Estimation of time delay time constant
parameters in time, frequency, and Laplace domains. Can. J. Chem. Eng., 56, p. 257
(1977).
The discrete wavelet transform. Cap. 2, p. 8. Disponvel em:
http://etd.lib.fsu.edu/theses/available/etd-11242003-185039/unrestricted/09_ds_
chapter2 .pdf.
THORNHILL, N. F., CHOUDHURY, M.A.A.S. e SHAH, S.L.. The impact of compression
on data-driven process analyses. Journal of Process Control, 14, p. 389-398 (2004).
TRIERWEILER, J. O. e MACHADO, V. C.. Which is the best criterion for identification of
dynamic models?, in Proceedings of the 7th DYCOPS (IFAC Symposium on
Dynamics and Control of Process Systems), Boston (2004).
UNSER, M.. Texture classification and segmentation using wavelet frames. IEEE Trans.
Image Process., 4 (11), p. 15491560 (1995).
VALENS, C. A really friendly guide to wavelets (2004). Disponvel em:
http://perso.wanadoo.fr/polyvalens/clemens/wavelets/wavelets.html.
VEDAM, H. e VENKATASUBRAMANIAN, V.. A B-spline based method for data
compression, process monitoring and diagnosis. Computers and Chemical
Engineering, 22, p. S827-S830 (1998).
ZACIU, R.; LAMBA, C.; BURLACU, C. e NICULA, G.. Image compression using an
overcomplete discrete wavelet transform. IEEE Trans. Consum. Electron., 42 (3), p.
800807 (1996).
WHITE, S. Digital Signal Processing, A Filtering Approach. 1 ed. Thomson Delmar Learning
(2000).
WORNELL, G. W.. Signal processing with fractals: a wavelet-based approach. Upper
Saddle River, NJ, Prentice Hall (1996).
120

Aplicação A Derivada de Sinais PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação A Derivada de Sinais PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Aplicao e Clculo da Derivada de Sinais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Aplicao e Clculo da Derivada de Sinais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

A Comisso Examinadora, abaixo assinada, aprova a Dissertao Aplicao e

Prof. Dr. Argimiro Resende Secchi

Dr. Pedro Rafael Bolognese Fernandes

Prof. Dr. Lus Gustavo Soares Longhi

Figura 4.8: Variveis-chave selecionadas. ....................................................................... 64

Figura 4.26: Resultados para a temperatura de entrada, representada por f, fs a

pontos de sinais contrrios nos coeficiente de detalhe que identificam um pico

do rudo o uso de um processo conhecido por suavizao. Nesta metodologia, o sinal

Um sinal suavizado, com menos rudo, de fundamental importncia para ajudar na

por um polinmio de grau limitado. Os intervalos so identificados como polinmios

1.3 ESTRUTURA DA DISSERTAO

1.3 Estrutura da Dissertao

2.1 Erros de Medidas

Erros randmicos no podem ser completamente eliminados e esto sempre presentes

Erros grosseiros, por outro lado, esto associados a eventos no-randmicos,

2.2 Filtros do tipo Passa-Baixa

2.2 FILTROS DO TIPO PASSA-BAIXA

Os filtros digitais1, alm de selecionar componentes de freqncias, podem atenuar (ou

c[k ] x[n k ] + d [ j ] y[n j ]

b(1) + b(2) z 1 + ... + b(nb + 1) z nb

onde H(z) a funo de transferncia do filtro. Portanto, as constantes b(i) e a(i) so os

Quando na = 0 (ou seja, a um escalar), o filtro do tipo Resposta Finita ao Impulso

2.2.1 Filtros de Resposta Finita ao Impulso (FIR)

y (n) = b0 x(n) + b1 x(n 1) + b2 x(n 2) + ... + bM ( x M )

2.2 FILTROS DO TIPO PASSA-BAIXA

Estes tipos de filtros apresentam algumas vantagens: no levam a overshoot,

2.2.2 Filtros Butterworth

Figura 2.2: Resposta em freqncia para os filtros eletrnicos clssicos.

2.2 FILTROS DO TIPO PASSA-BAIXA

Na Figura 2.2, o primeiro filtro o de Butterworth, que o mais suave, no

onde i a constante imaginria, a freqncia angular do sinal (rad/s) e c a freqncia

Figura 2.3: Resposta em freqncia de um filtro Butterworth de primeira ordem.

da prxima. Para se assegurar que isto acontea, as splines cbicas naturais

Isto significa que quaisquer dois subintervalos polinomiais adjacentes encontram-se no

onde j so pesos calculados,

A idia na qual se baseia a transformada das ondaletas originada de Fourier:

Em 1981, o engenheiro de petrleo Jean Morlet encontrou uma maneira de decompor

subdiviso de superfcies utilizadas no filme Toy Store 2 e compresso de imagens digitais

2.4.2 Transformada das Ondaletas

onde a o fator de escala, b o fator de translao ou deslocamento e representa a

Figura 2.5: Processo de decomposio: envolve etapas de deslocamento e posterior

Figura 2.6: Representao das ondaletas nos domnios da freqncia-escala e do tempo.

onde j o nvel associado com a escala e k o parmetro de deslocamento associado com a

Figura 2.7: Representao de amostragens didicas no plano tempo-escala.

onde j,k dado pela Eq. (2.13) ou ento por

onde W2 j f ( x ) representam coeficientes das ondaletas.

s vezes conveniente considerar uma funo de escala , ou tambm chamada de

Esta funo gera uma famlia ortonormal definida por4

Esta propriedade adicional de escalonamento est relacionada com as freqncias

As Eq. (2.13) e (2.18) so representadas, em algumas literaturas, de modo um pouco diferente

Figura 2.9: Banco de filtros do processo de decomposio (POLIKAR, 2001).

Em sinais discretos, a freqncia expressa em termos de radianos. Assim, a freqncia de

d j [n] = Wf (n, 2 j ) = f ( x), 2 j ( x n)

Os coeficientes de detalhe resultam dos filtros passa-alta g[n], e esto, portanto,

sendo que os filtros h e g so relacionados, ento, por

Figura 2.10: Filtros espelhados em quadratura (QMF).

qualquer sub-amostragem um certo grau de varincia no deslocamento ir ocorrer

Figura 2.11: L invariante no tempo se as duas sadas forem iguais.