Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA QUMICA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA QUMICA
Letcia Caumo
Porto Alegre
2006
Pesquisa
Orientador:
Prof. Dr. Jorge Otvio Trierweiler
Porto Alegre
2006
Comisso Examinadora:
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 3.4: a) Sinal gerado e suas tendncias. b) Derivadas............................................ 44
Figura 3.5: a) Sinal gerado e suas tendncias. b) Derivadas............................................ 45
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
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
1.1 HISTRICO
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
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. 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.
y = x+e
(2.1)
2. REVISO BIBLIOGRFICA
y[n] =
(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) =
X ( z)
(2.3)
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
2. REVISO BIBLIOGRFICA
= 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
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
2. REVISO BIBLIOGRFICA
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.
13
H (i ) =
1
1 +
c
2n
(2.5)
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
2. REVISO BIBLIOGRFICA
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
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)
16
2. REVISO BIBLIOGRFICA
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
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)
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
2. REVISO BIBLIOGRFICA
2.4 ONDALETAS
19
a , b (t ) =
1
a
t b
(2.11)
20
2. REVISO BIBLIOGRFICA
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)
22
2. REVISO BIBLIOGRFICA
C ( j , k ) = f ,
j ,k
= 2 j
f ( x) (2
xk
(2.14)
(2.15)
j ,k
( x)
(2.16)
jZ kZ
( x) = c k (2 x k )
k
(2.17)
2.4 ONDALETAS
23
j , k ( x) = 2
j 2
(2 j x k )
(2.18)
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.
24
2. REVISO BIBLIOGRFICA
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
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)
(2.20)
26
2. REVISO BIBLIOGRFICA
(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)
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).
2.4 ONDALETAS
27
28
2. REVISO BIBLIOGRFICA
de detalhe no nvel j. Uma descrio mais detalhada tambm pode ser encontrada em
MERTINS (1999).
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)
f ( x) = a J ,i J ,i ( x) + d j , k j ,k ( x)
iI J
(2.27)
j = J kk j
( x) =
d ( x)
dx
(2.28)
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
2. REVISO BIBLIOGRFICA
sin( / 4)
/4
( ) = i
sin( / 4)
( ) =
/4
(2.31)
(2.32)
Figura 2.14: Funo de escala spline cbica e funo ondaleta spline quadrtica
2.4 ONDALETAS
31
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
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)
32
2. REVISO BIBLIOGRFICA
1
2
3
4
5
1,50
1,12
1,03
1,01
1,00
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
Tempo
34
2. REVISO BIBLIOGRFICA
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
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
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
2. REVISO BIBLIOGRFICA
~
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.
38
39
(3.1)
j = 1 2 ( j 1) / 2
(3.2)
onde, para 2 j J,
p 2 p1 t p
sign[WT1 ( p1 )] sign[WT1 ( p 2 )] = 1
T1 = 3 1 WT1
(3.4)
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
(3.6)
41
(3.7)
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.
3.4 SINAL 1
43
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.
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.
46
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.
47
48
OND
BUT
Esforo computacional
Facilidade de ajuste
Qualidade da filtrao
Qualidade da derivada
Defasagem
Efeitos de borda
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
(4.1)
53
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
1 se (t ) Ts
(4.5)
( (t )) =
1 (t ) Ts
+ 1
cos
2 Tu Ts
(4.6)
(t ) = WT1 (t ) + WT2 (t )
(4.7)
0
se WT2 Tw
1
se WT2 3Tw
(4.8)
sendo
54
Bm (t ) =
wi
[B (t )]
i
wi
(4.9)
i =1
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.
4.3.1 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.
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.
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.
57
58
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.
59
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
61
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.
63
= 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
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.
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.
67
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)
69
70
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.
Figura 4.18: Resultados para a varivel ortogonal t2, 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 t2.
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.
73
74
Figura 4.23: Resultados para a vazo de reciclo RCI, 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.
75
Figura 4.25: Resultados para a vazo de refluxo de diesel, 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.
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.
77
78
79
Figura 4.31: Varivel ortogonal gerada a partir da combinao linear das temperaturas e
vazes.
80
Figura 4.35: Varivel ortogonal que uma combinao linear das temperaturas e vazes.
81
82
83
84
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
87
88
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.
92
5. CONCLUSES
93
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)
( 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
f (x )
dx <
96
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)
97
x[n] =
x[k ] [n k ]
(A.4)
k =
y[n] =
x[k ] h [n]
k
(A.5)
k =
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.
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)
f ( x) (2
(x k ))
(A.7)
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.
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.
100
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.
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.
102
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 );
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.
103
Figura B.2: Sinal original e suas aproximaes e detalhes, aps aplicao de valores de corte
(soft-thresholding).
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)
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.
106
Figura B.5: Sinal original e sinais reconstrudos aos nveis de reconstruo completa, nvel 1
e nvel 2.
107
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
=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).
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
(t ) = (1) n
d n (t )
dt n
(C.5)
(C.6)
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.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( )
<
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
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
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).
REFERNCIAS BIBLIOGRFICAS
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
REFERNCIAS BIBLIOGRFICAS
REFERNCIAS BIBLIOGRFICAS
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
REFERNCIAS BIBLIOGRFICAS