Escolar Documentos
Profissional Documentos
Cultura Documentos
MODELOS AUTO-REGRESSIVOS
iii
MODELAGEM DE COLUNAS DE DESTILAÇÃO ATRAVÉS DE
MODELOS AUTO-REGRESSIVOS
Autor:
ADELSON SIQUEIRA CARVALHO
Comissão Examinadora:
_________________________________________
Prof. Geraldo Galdino de Paula Júnior (Doutor, Engenharia de Sistemas e
Computação) – UENF/LEPROD
_________________________________________
Prof. José Ramón Arica Chávez (Doutor, Engenharia de Sistemas e Computação) –
UENF/LEPROD
_________________________________________
Prof. Carlos Antonio Abanto Valle (Doutor, Ciências Estatísticas) – UFRJ/IM
_________________________________________
Prof. Luis Humberto Guillermo Felipe (Doutor, Ciências da Engenharia) –
UENF/LEPROD (orientador)
iv
“Dedico este trabalho a meus
pais e entes queridos”
v
AGRADECIMENTOS
A Aline por ser uma grande companheira e inspiração para minha trajetória.
vi
RESUMO
Sistemas dinâmicos são em sua grande maioria não lineares e de dinâmica não
totalmente conhecida, desta forma existe certa distância entre o sistema real e o
gerado a partir da modelagem analítica. Modelos mais próximos da realidade podem
ser obtidos a partir de métodos que utilizem um conjunto de dados oriundo do
sistema real, dentre estes os modelos auto-regressivos merecem destaque. O
presente trabalho apresenta a modelagem de uma coluna de destilação piloto com
esta metodologia, destacando suas particularidades. Os modelos em questão são
capazes de fornecer representação linear discreta do sistema dinâmico. Os modelos
obtidos são validados com índices de desempenho e análise dos resíduos da
modelagem. Os resultados indicam o potencial da metodologia aplicada para
sistemas de porte industrial devido à fidelidade do sistema de aquisição de dados do
objeto de estudo. Como principal contribuição, a validação do modelo com dados de
outros quatro testes dinâmicos que não o utilizado para estimação dos parâmetros.
vii
ABSTRACT
The most of dynamic systems are non-linear and it has dynamic that is not fully
known, this way there is a distance between the real system and the generated from
analytical modeling. Models closer to reality can be obtained from methods that use a
set of data derived from real system, among these, auto-regressive can be
emphasized. This work presents a modeling of a pilot distillation column using this
methodology, highlighting its details. These models are able to provide linear discrete
representation of dynamic system. Models gotten are validated with performance
indexes and modeling residue analysis. Results indicate potential of the applied
methodology to industrial systems due to accuracy of data acquisition system of
object of research. Like main contribution, to validate the model with other four
dynamic tests different from the dynamic test used to parameters estimation.
viii
LISTA DE SIGLAS E ABREVIATURAS
ix
LISTA DE FIGURAS
x
Figura 24 - Estímulo na forma de degrau positivo na vazão de produto da coluna de
destilação, para o primeiro teste dinâmico. ........................................................42
Figura 25 - Resposta da variável de saída (composição) a uma perturbação na
variável de entrada do sistema. Resposta com menor constante de tempo
(Zanata, 2005)....................................................................................................44
Figura 26 - Dados adequados para a nova taxa de amostragem.............................50
Figura 27 - Conjunto de estimação. .........................................................................56
Figura 28 - Primeiro conjunto de validação. .............................................................56
Figura 29 - Dados do segundo teste dinâmico utilizado para validação...................57
Figura 30 - Dados do terceiro teste dinâmico utilizado para validação.....................58
Figura 31 - Dados do quarto teste dinâmico utilizado para validação. .....................58
Figura 32 - Dados do quinto teste dinâmico utilizado para validação.......................59
Figura 33 - Valores do AIC calculado através das iterações da rotina. (Carvalho e
Guillermo, 2007).................................................................................................60
Figura 34 - Curva do AIC calculado através das iterações da rotina atual. ..............61
Figura 35 - Saída do modelo comparada com a saída do sistema, para o primeiro
conjunto de validação.........................................................................................64
Figura 36 - Saída do modelo comparada com a saída do sistema, para o segundo
conjunto de validação.........................................................................................65
Figura 37 - Saída do modelo comparada com a saída do sistema, para o terceiro
conjunto de validação.........................................................................................65
Figura 38 - Saída do modelo comparada com a saída do sistema, para o quarto
conjunto de validação.........................................................................................66
Figura 39 - Saída do modelo comparada com a saída do sistema, para o quinto
conjunto de validação.........................................................................................66
Figura 40 - Saída do modelo comparada com a saída do sistema, para o primeiro
conjunto de validação.........................................................................................68
Figura 41 - Saída do modelo comparada com a saída do sistema, para o segundo
conjunto de validação.........................................................................................69
Figura 42 - Saída do modelo comparada com a saída do sistema, para o terceiro
conjunto de validação.........................................................................................69
Figura 43 - Saída do modelo comparada com a saída do sistema, para o quarto
conjunto de validação.........................................................................................70
xi
Figura 44 - Saída do modelo comparada com a saída do sistema, para o quinto
conjunto de validação.........................................................................................70
Figura 45 - Saída do modelo comparada com a saída do sistema, para o primeiro
conjunto de validação.........................................................................................72
Figura 46 - Saída do modelo comparada com a saída do sistema, para o segundo
conjunto de validação.........................................................................................72
Figura 47 - Saída do modelo comparada com a saída do sistema, para o terceiro
conjunto de validação.........................................................................................73
Figura 48 - Saída do modelo comparada com a saída do sistema, para o quarto
conjunto de validação.........................................................................................73
Figura 49 - Saída do modelo comparada com a saída do sistema, para o quinto
conjunto de validação.........................................................................................74
Figura 50 - MSE calculado para o erro de predição de k passos à frente para o
primeiro conjunto de validação...........................................................................79
Figura 51 - Comparação entre saída do modelo e saída do sistema para a predição
de 20 passos à frente para o primeiro conjunto de validação. ...........................79
Figura 52 - MSE calculado para o erro de predição de k passos à frente para o
segundo conjunto de validação..........................................................................80
Figura 53 - Comparação entre saída do modelo e saída do sistema para a predição
de 20 passos à frente para o segundo conjunto de validação. ..........................80
Figura 54 - MSE calculado para o erro de predição de k passos à frente para o
terceiro conjunto de validação............................................................................81
Figura 55 - Comparação entre saída do modelo e saída do sistema para a predição
de 20 passos à frente para o terceiro conjunto de validação. ............................81
Figura 56 - MSE calculado para o erro de predição de k passos à frente para o
quarto conjunto de validação. ............................................................................82
Figura 57 - Comparação entre saída do modelo e saída do sistema para a predição
de 20 passos à frente para o quarto conjunto de validação. ..............................82
Figura 58 - MSE calculado para o erro de predição de k passos à frente para o
quinto conjunto de validação..............................................................................83
Figura 59 - Comparação entre saída do modelo e saída do sistema para a predição
de 20 passos à frente para o quinto conjunto de validação. ..............................83
Figura 60 - Autocorrelação dos resíduos para o conjunto de estimação..................84
xii
Figura 61 - Correlação cruzada entre os resíduos e a entrada para o conjunto de
estimação...........................................................................................................85
Figura 62 - Autocorrelação dos resíduos para o primeiro conjunto de validação. ....85
Figura 63 - Correlação cruzada entre os resíduos e a entrada para o primeiro
conjunto de validação.........................................................................................86
Figura 64 - Autocorrelação dos resíduos para o segundo conjunto de validação. ...86
Figura 65 - Correlação cruzada entre os resíduos e a entrada para o segundo
conjunto de validação.........................................................................................87
Figura 66 - Autocorrelação dos resíduos para o terceiro conjunto de validação. .....87
Figura 67 - Correlação cruzada entre os resíduos e a entrada para o terceiro
conjunto de validação.........................................................................................88
Figura 68 - Autocorrelação dos resíduos para o quarto conjunto de validação........88
Figura 69 - Correlação cruzada entre os resíduos e a entrada para o quarto conjunto
de validação. ......................................................................................................89
Figura 70 - Autocorrelação dos resíduos para o quinto conjunto de validação. .......89
Figura 71 - Correlação cruzada entre os resíduos e a entrada para o quinto conjunto
de validação. ......................................................................................................90
Figura 72 - Autocorrelação dos resíduos para o conjunto de estimação..................91
Figura 73 - Correlação cruzada entre os resíduos e a entrada para o conjunto de
estimação...........................................................................................................91
Figura 74 - Autocorrelação dos resíduos para o primeiro conjunto de validação. ....92
Figura 75 - Correlação cruzada entre os resíduos e a entrada para o primeiro
conjunto de validação.........................................................................................92
Figura 76 - Autocorrelação dos resíduos para o segundo conjunto de validação. ...93
Figura 77 - Correlação cruzada entre os resíduos e a entrada para o segundo
conjunto de validação.........................................................................................93
Figura 78 - Autocorrelação dos resíduos para o terceiro conjunto de validação. .....94
Figura 79 - Correlação cruzada entre os resíduos e a entrada para o terceiro
conjunto de validação.........................................................................................94
Figura 80 - Autocorrelação dos resíduos para o quarto conjunto de validação........95
Figura 81 - Correlação cruzada entre os resíduos e a entrada para o quarto conjunto
de validação. ......................................................................................................95
Figura 82 - Autocorrelação dos resíduos para o quinto conjunto de validação. .......96
xiii
Figura 83 - Correlação cruzada entre os resíduos e a entrada para o quinto conjunto
de validação. ......................................................................................................96
xiv
LISTA DE TABELAS
xv
SUMÁRIO
AGRADECIMENTOS.................................................................................................vi
RESUMO...................................................................................................................vii
ABSTRACT..............................................................................................................viii
LISTA DE SIGLAS E ABREVIATURAS ....................................................................ix
LISTA DE FIGURAS...................................................................................................x
LISTA DE TABELAS ................................................................................................xv
CAPÍTULO I ................................................................................................................1
INTRODUÇÃO ............................................................................................................1
1.1- APRESENTAÇÃO ............................................................................................1
1.2- MOTIVAÇÃO ....................................................................................................2
1.3- OBJETIVO ........................................................................................................3
1.4- ORGANIZAÇÃO ...............................................................................................4
CAPÍTULO II ...............................................................................................................6
DESTILAÇÃO: UM BREVE HISTÓRICO ...................................................................6
2.1- COLUNAS DE DESTILAÇÃO...........................................................................6
2.2 – OBJETO DE ESTUDO....................................................................................9
2.3 – CARACTERÍSTICAS FÍSICAS .....................................................................11
2.4 – O PROCESSO DE OBTENÇÃO DE ÁLCOOL HIDRATADO NA COLUNA
PILOTO..................................................................................................................15
2.5 – ALGUNS PROBLEMAS DO SISTEMA.........................................................16
2.6 – MODELAGEM DE COLUNAS DE DESTILAÇÃO.........................................17
CAPÍTULO III ............................................................................................................21
FERRAMENTAL TEÓRICO......................................................................................21
3.1- MODELOS AUTO-REGRESSIVOS................................................................21
3.1.1- ESTADO DA ARTE DA APLICAÇÃO DE MODELOS AUTO-
REGRESSIVOS .................................................................................................24
3.2- ESTIMAÇÃO DE PARÂMETROS...................................................................25
3.2.1- MÉTODO DOS MÍNIMOS QUADRADOS................................................26
CAPÍTULO IV............................................................................................................29
METODOLOGIA .......................................................................................................29
4.1- INTRODUÇÃO................................................................................................29
xvi
4.2 – ESCOLHA DAS VARIÁVEIS DO MODELO..................................................30
4.3 – ESCOLHA DOS ESTÍMULOS DE ENTRADA ..............................................40
4.4 – ESCOLHA DO PERÍODO DE AMOSTRAGEM ............................................42
4.5 – SELEÇÃO DA ESTRUTURA DO MODELO .................................................45
4.6 – SELEÇÃO DA ORDEM DO MODELO ..........................................................46
4.7 – ESTIMAÇÃO E VALIDAÇÃO ........................................................................47
4.8 – ÍNDICES DE DESEMPENHO .......................................................................51
4.9 – ANÁLISE DE RESÍDUOS .............................................................................53
CAPÍTULO V.............................................................................................................55
RESULTADOS..........................................................................................................55
5.1- DADOS UTILIZADOS.....................................................................................55
5.2- MÉTODOS DE SELEÇÃO DA ORDEM DO MODELO...................................59
5.3- RESULTADOS GRÁFICOS E NUMÉRICOS DOS MODELOS OBTIDOS.....63
5.4- COEFICIENTES ESTIMADOS DOS MODELOS OBTIDOS...........................74
5.5- RESULTADOS DOS MODELOS VARIANDO O HORIZONTE DE PREDIÇÃO
...............................................................................................................................77
5.6- RESULTADOS DA ANÁLISE DOS RESÍDUOS .............................................84
CAPÍTULO VI............................................................................................................98
CONCLUSÃO ...........................................................................................................98
REFERÊNCIAS.......................................................................................................100
xvii
1
CAPÍTULO I
INTRODUÇÃO
1.1- APRESENTAÇÃO
1
Sistemas dinâmicos são sistemas cujas variáveis possuem determinado comportamento que sofre
influência do fator tempo.
2
Carvalho, et al. (2004) utilizaram redes neurais artificiais do tipo MLP (Multi
Layer Perceptron) para modelar a coluna de destilação do CEFET-Campos. Os
dados utilizados foram registrados por uma placa de aquisição de dados do tipo CIO-
DAS08/jr-AO, com resolução de 12 bits. As variáveis com dados disponíveis são a
vazão de alimentação e a temperatura de topo, únicas possíveis de mensuração. A
rede neural MLP contém três entradas: vazão no instante atual, vazão no instante
anterior, temperatura no instante anterior. A variável de saída selecionada foi a
temperatura de topo no instante atual. Os resultados do trabalho foram registrados
apenas de forma gráfica, comparando a saída do modelo com a saída observada do
sistema.
1.2- MOTIVAÇÃO
1.3- OBJETIVO
1.4- ORGANIZAÇÃO
Capitulo I – Introdução
Esse capítulo fornece uma introdução a respeito dos assuntos que serão
abordados ao longo da monografia, descrevendo de forma sucinta os objetivos, a
motivação e como estão organizados os capítulos.
Capítulo II – Destilação
Capítulo IV – Metodologia
CAPÍTULO II
2
Equipamento industrial capaz de separar por vaporização componentes de uma mistura.
3
Trocador de calor situado na base da torre com a finalidade aquecer a mistura.
8
4
Tipo de equipamento utilizado para realizar destilação por arraste.
9
5
Retorno de parte do produto destilado, para favorecer a produção de álcool e controlar a
temperatura.
6
Sistema de comunicação de instrumentos em rede, aplicação industrial.
7
Software de configuração da rede fieldbus.
11
8
Software de supervisão de plantas de processo na indústria, propriedade da Invensys Systems, Inc.
12
Antes de ser admitida na coluna, porém, a mistura é aquecida nos tubos internos de
dois pré-aquecedores, que recebem o refugo que será descartado. Esse refugo, na
mesma temperatura da base, funciona como meio quente no processo. A mistura
passa pelo medidor magnético de vazão;
d) A mistura pré-aquecida entra na coluna através da entrada do prato
número 10, equivalente ao topo da coluna de destilação. Neste instante inicia-se o
processo da destilação, pois na base da torre está instalada a resistência elétrica
para gerar calor e permitir que a temperatura na base fique em torno de 99 ºC. Dois
fluxos internos são estabelecidos: um, partindo da base da coluna em forma de
vapores que vão sendo enriquecidos na medida em que ascendem até o topo e
outro em forma de líquido que, iniciado no topo, devido à temperatura do topo não
ser suficiente para a vaporização do componente água, desce tornando-se cada vez
mais pobre do componente álcool e aumentando o ponto de ebulição, até que chega
à base, praticamente isenta de álcool.
O álcool inicialmente destilado na coluna de destilação é desidratado na
coluna de retificação, saindo sob forma de vapor rico em álcool no topo, este é
enviado através da tubulação ao condensador. Esse condensador recebe no casco,
em contra-fluxo, água na temperatura ambiente. Dessa forma, o álcool é
condensado e enviado ao recipiente de destilado.
O nível desejado para a base da coluna é de 75% da faixa de medição, sendo
de grande importância este controle que objetiva evitar que a resistência elétrica
fique fora do meio líquido, o que provocaria seu rompimento. O valor desejado
descoberto empiricamente para a temperatura de topo é de 78 ºC.
11
Seborg, Melichamp (1989) Process Dynamics and Control, Wiley.
12
Variação de amplitude de um sinal entre patamares e de forma abrupta.
13
Variação de amplitude de um sinal partindo de um patamar, alcançando outro e retornando de
forma imediata.
14
Variação de amplitude de um sinal descrevendo trajetória semelhante a do gráfico da função seno.
19
CAPÍTULO III
FERRAMENTAL TEÓRICO
cometido ao se tentar modelar yt em função dos seus valores atrasados é dado
por et .
Desta forma:
q 1 y t y t 1
q 2 y t y t 2
q na yt yt n a
ao polinômio A( q 1 ) .
Aplicando os polinômios expandidos no modelo ARMAX, tem-se:
y(t ) a1 y (t 1) ... a na y (t na ) b1u (t n k ) b2 u (t n k 1) ... bnb u (t n k nb 1)
e(t ) c1e(t 1) ... c nc e(t n c )
23
casos anteriores, sendo que estes seriam casos especiais onde, as ordens dos
polinômios desnecessários seriam zeradas da seguinte forma:
AR B ( q 1 ), F (q 1 ), C ( q 1 ), D (q 1 ) ou seja, nb , n f , nc e nd 0
ARX F ( q 1 ), C ( q 1 ), D( q 1 ) ou seja, n f , nc e nd 0
ARMAX F ( q 1 ), D( q 1 ) ou seja, n f e n d 0
BJ A(q 1 ) ou seja, na 0
1 B1 (q 1 ) Bnu (q 1 ) C (q 1 )
A(q ) y (t ) u 1 (t n k1 ) ... u n (t nk nu ) e(t )
F1 (q 1 ) Fnu (q 1 ) u D (q 1 )
15
Dispositivo eletrônico utilizado para reduzir a tensão aplicada na entrada.
16
MATrix LABoratory – software proprietário da THE MATWORKS INC.
17
Software de simulação computacional, propriedade da National Instruments.
25
a, b axi b y i 2 .
B ( q 1 ) b1 b2 q 1 ... bnb q nb 1
T a1 , , a na , b0 , , bnb
Onde T (t 1) é a matriz linha de valores coletados do processo para as
variáveis envolvidas no modelo, neste caso considera-se um modelo relacionando
uma variável de saída y(t ) com uma variável de entrada u (t ) . A matriz coluna de
coeficientes a serem estimados através do método dos mínimos quadrados . Um
erro obtido na modelagem é representado por e(t ) .
O método de mínimos quadrados é largamente utilizado para estimação de
parâmetros do modelo de sistemas lineares discretos no tempo.
De início será assumido que se conhece o valor estimado do vetor de
parâmetros, , e que é cometido um erro e ao se tentar explicar o valor observado
de y a partir do vetor de regressores T e de , ou seja,
y T e
A partir daí o que se tem a fazer é determinar o índice de desempenho do
método, sendo que J MQ é a função custo dependente de a ser minimizada:
N
2
J MQ (i ) 2 T
i 1
J MQ ( y T ) T ( y ) y T y y T T T y T T
J MQ
( y T ) T T y ( T T ) T y T y 2 T
Igualando-se a última equação a zero tem-se:
[ T ]1 T y
Para que seja o único ponto de mínimo, é necessário verificar que:
2 J MQ
2
2 T 0
A inequação é verdadeira, pois 2 T é positiva definida por construção
CAPÍTULO IV
METODOLOGIA
4.1- INTRODUÇÃO
ser ajustado deve conter no máximo estas cinco variáveis cujas medições estão
disponíveis.
Esta restrição do processo a ser modelado, é uma primeira seleção das
variáveis do modelo, porém é considerada mais como restrição do sistema do que
como critério de seleção.
Diversos métodos de seleção das variáveis a serem consideradas na
modelagem tem sido propostos em trabalhos científicos.
A fim de se reduzir o número de variáveis selecionadas para o treinamento da
rede, fez-se um estudo comparativo baseado na covariância das temperaturas de
cada prato com relação à variável de saída que se quer estimar (composição na
saída da torre) (Zanata, 2005).
Esta é uma outra forma de selecionar as variáveis para o modelo, chama-se
covariância cruzada e pode ser obtida através da equação:
1 N
Cov x, y k xt x y t k y
N t 1
onde: N é o número de elementos dos vetores;
x e y são respectivamente os vetores de entrada e saída;
x e y são os valores médios dos respectivos vetores;
k é o número de atrasos analisados para o sinal.
A figura 13 apresenta o gráfico da covariância cruzada entre as temperaturas
dos estágios (pratos) e a composição na saída da torre.
32
Figura 13 - Covariância cruzada das temperaturas nos estágios e a composição (Zanata, 2005).
Figura 14 - Funções de correlação cruzada (a, b) entre a variável de saída e duas variáveis
candidatas a serem entradas, (c) entre (outras) duas variáveis candidatas a serem entradas (Aguirre,
2000).
90
80
60
50
40 temp topo
vazao
30 temp base
pressao
20
nivel base
10
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tempo em segundos
0.4
-0.2
-0.4
-0.6
-0.8
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.5
-0.5
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.3
0.2
-0.1
-0.2
-0.3
-0.4
-0.5
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.1
Valor de correlação cruzada
0.05
-0.05
-0.1
-0.15
-0.2
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.5
0.4
Valor de correlação cruzada
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.2
-0.2
-0.4
-0.6
-0.8
-1
-400 -300 -200 -100 0 100 200 300 400
Atrasos
0.4
0.3
Valor de correlação cruzada
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
-400 -300 -200 -100 0 100 200 300 400
Atrasos
Figura 23 - Sinal aplicado na entrada do sistema para realizar a identificação linear, variável vazão de
gás (Dallagnol, 2005).
12
11
4
0 500 1000 1500 2000 2500 3000 3500 4000
Tempo em segundos
Figura 24 - Estímulo na forma de degrau positivo na vazão de produto da coluna de destilação, para
o primeiro teste dinâmico.
Primeiro método
ry* k E y * t y * t y * t k y * t
r y * 2 k E y *2
t y *2 t y *2 t k y *2 t
e seus primeiros mínimos, k y* k y*2 , respectivamente. O menor desses mínimos
passará a ser o valor de trabalho, ou seja, k m* min k y* k y*2 . Deseja-se escolher
Sendo que os limites, inferior e superior podem ser relaxados para 5 e 25,
respectivamente.
Zanata (2005) aplica o método e obtém um dos três períodos de amostragem
obtidos em seu trabalho, os outros dois períodos foram encontrados através de
outros dois métodos distintos.
Segundo método
Tabela 2 - Tabela que relaciona os modelos ao tipo de situação a qual devem ser utilizados.
número é ótimo. Deve ser lembrado que tal critério é fundamentalmente estatístico e
47
não garante necessariamente que o modelo com o número “ótimo” de termos seja
um modelo válido (Aguirre, 2000).
Logo se pode inferir que apesar de utilizado o critério de informação de
Akaike, a etapa de validação do mesmo não deve ser descartada, sob pena de
utilização de um modelo que não possua uma boa resposta para novos dados.
Ljung (1994) apresenta não só o AIC como método estatístico seleção da
ordem do modelo, mas também o FPE (Final Prediction Error).
N
1 d / N 1
min
d , 1 d / N N
t,
t 1
2
desvantagem é que este modelo tem uma validade apenas local, isto é em torno de
um ponto de operação, não permitindo grandes extrapolações. (Campos e Teixeira,
2006).
Como praticamente todos os sistemas reais são não-lineares, é importante
que os dois testes sejam efetuados com o sistema operando em condições
semelhantes, principalmente se os modelos identificados forem lineares. (Aguirre,
2000).
Portanto, modelos obtidos a partir de dados coincidem com o sistema na faixa
de valores utilizadas para se realizar a estimação de seus parâmetros. E caso seja
possível realizar-se dois testes dinâmicos no sistema, um deve ser utilizado para
estimação e outro para validação do modelo. Caso isso não seja possível o mesmo
lote de dados do teste realizado será dividido para a formação dos conjuntos de
estimação e validação.
Neste trabalho ambos as formas de validação foram utilizadas. O dados
coletados do primeiro teste dinâmico realizado foram separados em conjunto de
estimação e validação.
Em um segundo momento novos testes dinâmicos foram realizados, com
diferentes estímulos de entrada, mas na mesma faixa de operação e foram utilizados
também para validação do modelo.
Cruz (2006) realiza uma identificação dinâmica de uma microturbina a gás,
utilizando modelos auto-regressivos lineares e não lineares. Para validação dos
modelos utiliza dados de vários testes dinâmicos realizados no sistema. Os índices
de desempenho são calculados para predições de um passo a frente e também de
mais passos.
Dallagnol (2005) utiliza também modelos lineares e não lineares para a
modelagem de um sistema de injeção de gás em um poço de petróleo, realizam
testes dinâmicos em um simulador em diferentes pontos de operação do processo.
Validaram o modelo com um conjunto de dados de validação também gerado pelo
simulador.
Lara (2005) valida os modelos auto-regressivos através de dados de um
conjunto de validação em malha aberta. Também realiza a validação do modelo em
malha fechada comparando sua resposta com a do sistema ambos submetidos a
perturbações na entrada. Um controlador preditivo foi utilizado no sistema de
controle em malha fechada.
50
90
80
70
Valores das variáveis
60
50
40 temp topo
vazao
30 temp base
pressao
20 nivel base
10
0
0 10 20 30 40 50 60 70 80 90
Tempo em segundos
Neste trabalho a validade do modelo sob este critério será verificada, depois
de definida a ordem do modelo a partir de dois métodos de seleção: AIC e validação
cruzada. Os modelos resultantes serão submetidos à validação com os demais
testes dinâmicos e seu desempenho calculado variando o horizonte de predição.
Borjas e Garcia (2004) apresentam a modelagem de uma unidade de CCF
(Craquamento Catalítico em leito Fluidizado), sistema multivariável e não linear,
através de identificação por sub-espaços e o método de predição de erro. Os dados
utilizados para a identificação foram obtidos através da excitação com sinais pseudo-
aleatórios multinível, o desempenho dos modelos encontrados são verificados
através de dois índices: média relativa do erro quadrático (MRSE) e média da
variância relativa (MVAF).
N
y yˆ
2
n
1 t 1
MRSE(%) N
100
n k 1
y
2
t 1
1 n var iânciay yˆ
MVAF (%) 1 100
n k 1 var iânciay
Os índices calculados são o R2, MAE (mean absolute error), MSE (mean
square error). Todos são índices de desempenho de modelos citados em literatura.
O R2 é um índice que mede o quanto o modelo encontrado se ajusta aos dados
observados do sistema varia entre 0 e 1. O MAE retorna a média dos valores
absolutos dos erros encontrados quando se compara saída do modelo e saída do
sistema. O MSE é semelhante ao MAE, porém é mais preciso, pois não mascara a
variância, ao utilizar o quadrado dos erros, problema ocorrido no MAE por utilizar a
função modular.
N
y(t) yˆ (t ) 2
R2 1 t 1
N
y(t) y(t )
2
t 1
y (t ) yˆ (t )
t 1
MAE
N
53
N
2
y(t) yˆ(t)
t 1
MSE
N
Note que quando Rk 1 o erro de predição k passos à frente será menor que
Logo se faz necessário realizar a análise de resíduos nos modelos obtidos por
este trabalho, com o intuito de encontrar um modelo que seja válido sob dois
métodos: índices de desempenho e análise dos resíduos, e que ainda assim possua
baixa complexidade, ou seja, número reduzido de parâmetros. Esta última
característica é encontrada nos textos como parcimônia.
Ao se testar um vetor de resíduos for verificado que se trata de uma variável
aleatória branca, isso significa que não há informação útil nos resíduos, ou seja, o
modelo explicou tudo que era possível explicar. Infelizmente isso não quer dizer que
a simulação livre do modelo será boa, mas simplesmente que a simulação de um
passo a frente do modelo será boa. Um vetor de valores e(t ) é branco se a sua
função de autocorrelação for nula para todos os valores de atraso maiores ou iguais
a um (Aguirre, 2000).
Portanto, a metodologia utilizada para a validação dos modelos encontrados
caminhará no sentido de realizar testes que venham verificar se os resíduos da
modelagem se comportam como ruído branco.
Mesmo que a autocorrelação dos resíduos seja nula para todo t 0 , este
resultado é obtido a partir de um conjunto de dados específico, e o que se deseja do
modelo é que seu desempenho seja o mesmo para outras situações. De forma a
verificar o quão geral é o modelo procede-se como a utilização da correlação
cruzada entre a entrada e o vetor de resíduos do modelo para diferentes conjuntos
de dados.
A implicação deste resultado é que as predições de um passo à frente do
modelo terão características semelhantes se calculadas para um outro conjunto de
dados (Aguirre, 2000).
Dallagnol (2005) utiliza a análise de resíduos através da autocorrelação, de
maneira intercalada com a estimação de parâmetros dos modelos. Desta forma ele
define a ordem da componente MA dos modelos ARMAX e NARMAX utilizados para
a modelagem do sistema.
Os resultados da validação pela análise dos resíduos são apresentados no
capítulo V.
55
CAPÍTULO V
RESULTADOS
90
80
60
50
temp topo
40 vazao
temp base
30 pressao
nivel base
20
10
0
0 10 20 30 40 50 60 70
Tempo em segundos
80
70
60
Valores das variáveis
50
40 temp topo
vazao
30 temp base
pressao
20 nivel base
10
0
0 5 10 15 20 25 30
Tempos em segundos
90
80
70
Valores das variáveis
60
50
40 temp topo
vazao
30 temp base
pressao
20 nivel topo
10
0
0 500 1000 1500 2000 2500
Tempo em segundos
90
80
60
50
temp topo
40 vazao
temp base
30 pressao
nivel base
20
10
0
0 200 400 600 800 1000 1200 1400
Tempo em segundos
100
80
Valores das variáveis
60
temp topo
vazao
40 temp base
pressao
nivel base
20
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo em segundos
90
80
60
temp topo
50 vazao
temp base
40
pressao
30 nivel base
20
10
0
0 200 400 600 800 1000 1200 1400
Tempo em segundos
percorridas e para comparar a eficiência dos modelos gerados foi utilizado o MSE
sobre o erro de predição do modelo quando comparado ao conjunto de estimação e
também o primeiro conjunto de validação ambos com amostragem de 40 segundos.
Este método de verificação do MSE tanto para o conjunto de estimação quanto para
o de validação é conhecido como validação cruzada e é utilizado para verificar em
que ponto o modelo deixa de ser geral para se tornar específico aos dados de
estimação. Os valores selecionados para as ordens estavam compreendidos nos
seguintes intervalos: na 1, , 16 , nb 0, , 15 e nk 0, , 15 .
O segundo método, AIC, foi utilizado testando apenas modelos com ordem
n k 0 . E as demais ordens foram elevadas da mesma forma que no método anterior
-0.5
-1
Valores de AIC calculados
-1.5
-2
-2.5
-3
-3.5
-4
1 1.5 2 2.5 3 3.5 4 4.5 5
Ordem dos modelos
Figura 33 - Valores do AIC calculado através das iterações da rotina. (Carvalho e Guillermo, 2007).
61
mesmo tempo.
Já a curva do AIC calculada neste trabalho, é apresentada na Figura 34.
-1
Valores de AIC calculados
-2
-3
-4
-5
-6
-7
-8
-9
0 5 10 15 20 25 30 35 40
Iterações da rotina
É possível notar que diferente do gráfico da figura 33, o AIC atinge o mínimo
na última iteração de sua rotina, e sugere que seu decréscimo é possível com o
aumento da ordem do modelo que neste ponto é na 20 e nb 20 . A rotina atual
portanto o número de combinações possíveis foi bem maior que no método que
utilizou o AIC, mesmo que o limite superior para as ordens tenha sido menor. Os
resultados conseguidos por este método sugerem um modelo também sobre-
parametrizado, em especial o modelo ARX com as seguintes ordens: n a 16 ,
que obteve menor MSE tanto para o conjunto de estimação quanto validação.
Algumas diferenças existem em relação aos resultados obtidos no trabalho de
Carvalho e Guillermo (2007) e o presente trabalho, logo, serão relacionadas:
O número de amostras presentes nos conjuntos de estimação e validação
neste trabalho são inferiores devido à escolha de um novo período de amostragem.
A rotina utilizada neste trabalho eleva as ordens do modelo de forma
separada, conforme sugerido em Aguirre (2000).
O número de variáveis de entrada utilizadas na modelagem atual é menor.
Apenas a variável vazão foi selecionada como entrada do modelo, devido às
funções de correlação cruzada, calculadas durante a aplicação da metodologia,
enquanto que no trabalho anterior foram utilizadas todas as variáveis medidas como
entradas do sistema, com exceção da temperatura de topo que é saída do modelo
nos dois casos.
As diferenças pesam, sobretudo no modelo sugerido pelo AIC obtido que
neste trabalho encontra-se sobre-parametrizado.
Os modelos obtidos pelos dois métodos apresentaram um bom ajuste para o
conjunto de estimação e o primeiro conjunto de validação considerando o MSE e os
demais índices de desempenho, porém para os outros quatro conjuntos de validação
o desempenho não foi o mesmo.
51
50
49
48
47
46
0 5 10 15 20 25 30
Tempo em segundos
Figura 35 - Saída do modelo comparada com a saída do sistema, para o primeiro conjunto de
validação.
65
65
60
55
50
45
0 500 1000 1500 2000 2500
Tempo em segundos
Figura 36 - Saída do modelo comparada com a saída do sistema, para o segundo conjunto de
validação.
76
Valores da temperatura de topo
74
72
70
68
66
64
62
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 37 - Saída do modelo comparada com a saída do sistema, para o terceiro conjunto de
validação.
66
80
79
77
76
75
74
73
72
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo em segundos
Figura 38 - Saída do modelo comparada com a saída do sistema, para o quarto conjunto de
validação.
sistema
79
modelo
Valores da temperatura de topo
78
77
76
75
74
73
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 39 - Saída do modelo comparada com a saída do sistema, para o quinto conjunto de
validação.
67
Tabela 4 - Índices calculados para os cinco conjuntos de validação referente ao modelo obtido com o
AIC.
2
Validação MSE MSE(%) MAE MAE(%) MSE(R) ERRO(%) AMPVAR DISCREP R
1 0.0456 4.5635 0.0987 9.8657 0.0411 0.1997 0.1316 0.0022 0.9841
2 8.8615 886.1522 2.8710 287.0999 7.9754 -4.5629 0.1549 0.0240 0.8058
3 18.6094 1860.9 4.2364 423.6439 16.7485 -5.7198 0.2051 0.0299 -0.241
4 33.6543 3365.4 5.7669 576.6855 30.2888 -7.2510 1.3196 0.0378 -96.94
5 29.5411 2954.1 5.3887 538.8742 26.5870 -6.7709 46.6130 0.0353 -62.18
yˆ t y t
erro % 100
y t
yˆ (t)
t 1
2
y(t )
t 1
2
51
50
49
48
47
46
0 5 10 15 20 25 30
Tempo em segundos
Figura 40 - Saída do modelo comparada com a saída do sistema, para o primeiro conjunto de
validação.
69
70
65
60
55
50
0 500 1000 1500 2000 2500
Tempo em segundos
Figura 41 - Saída do modelo comparada com a saída do sistema, para o segundo conjunto de
validação.
76
74
72
70
68
66
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 42 - Saída do modelo comparada com a saída do sistema, para o terceiro conjunto de
validação.
70
80
79.5 sistema
78.5
78
77.5
77
76.5
76
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo em segundos
Figura 43 - Saída do modelo comparada com a saída do sistema, para o quarto conjunto de
validação.
79.5
sistema
Valores da temperatura de topo
modelo
79
78.5
78
77.5
77
76.5
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 44 - Saída do modelo comparada com a saída do sistema, para o quinto conjunto de
validação.
71
Tabela 5 - Índices calculados para os cinco conjuntos de validação referente ao primeiro modelo
obtido com a validação cruzada.
2
Validação MSE MSE(%) MAE MAE(%) MSE(R) ERRO(%) AMPVAR DISCREP R
1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000
2 0.8240 82.3957 0.8733 87.0 0.7416 -1.3720 0.0245 0.0072 0.9844
3 1.2488 124.8753 1.0936 109.0 1.1239 -1.4755 0.0301 0.0076 0.9317
4 1.7455 174.5510 1.3096 131.0 1.5710 -1.6467 0.0736 0.0084 -11.72
5 1.6535 165.3549 1.2701 13096.0 1.4882 -1.5958 3.4752 0.0081 -36.63
50
49
48
47
46
0 5 10 15 20 25 30
Tempo em segundos
Figura 45 - Saída do modelo comparada com a saída do sistema, para o primeiro conjunto de
validação.
70
65
60
55
50
0 500 1000 1500 2000 2500
Tempo em segundos
Figura 46 - Saída do modelo comparada com a saída do sistema, para o segundo conjunto de
validação.
73
74
72
70
68
66
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 47 - Saída do modelo comparada com a saída do sistema, para o terceiro conjunto de
validação.
80.2
80
Valores da temperatura de topo
79.8
79.6 sistema
modelo
79.4
79.2
79
78.8
78.6
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo em segundos
Figura 48 - Saída do modelo comparada com a saída do sistema, para o quarto conjunto de
validação.
74
79.9
79.7
79.6
79.5
79.4
79.3
79.2
79.1
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 49 - Saída do modelo comparada com a saída do sistema, para o quinto conjunto de
validação.
Tabela 6 - Índices calculados para os cinco conjuntos de validação referente ao segundo modelo
obtido com a validação cruzada.
2
Validação MSE MSE(%) MAE MAE(%) MSE(R) ERRO(%) AMPVAR DISCREP R
1 0.0002 0.0242 0.0042 0.4 0.0002 0.0085 0.0065 0.0002 0.9999
2 0.0252 2.5227 0.0418 4.2 0.0227 0.0143 0.0073 0.0013 0.9995
3 0.0130 1.2956 0.0799 8.0 0.0117 0.0944 0.0120 0.0008 0.9993
4 0.0243 2.4275 0.1540 15.4 0.0218 0.1933 0.0701 0.0010 0.8469
5 0.0171 1.7096 0.1285 540.4 0.0154 0.1610 0.3458 0.0008 -0.293
19
B1(q 1 ) b1 bn q n 1
n 2
A q 1
B q 1
a1 - 0.6562 b1 -0.1057
a2 0.06746 b2 - 1.197
a3 - 0.5522 b3 2.066
a4 0.07402 b4 - 1.302
a5 0.3253 b5 1.233
a6 - 0.2144 b6 - 0.9118
a7 0.3787 b7 1.233
a8 - 0.4303 b8 - 2.201
a9 0.1074 b9 0.8053
15
B1(q 1 ) bn q n1
n 1
A q 1
B q 1
a1 - 1.173 b1 1.656
a2 0.9362 b2 - 2.148
a3 - 0.6055 b3 1.436
a4 - 0.5531 b4 - 0.4922
a5 0.7945 b5 - 0.4431
a6 - 0.5493 b6 0.005149
a7 0.4292 b7 - 0.04209
a8 - 0.4666 b8 0.03544
a9 0.5344 b9 - 0.01602
a16 - 0.2713
77
12
B1(q 1 ) bn q n1
n 1
A q 1
B q 1
a1 - 1.021 b1 0.4096
a2 0.003319 b2 - 0.4365
a3 - 0.2333 b3 - 0.01006
a4 0.03998 b4 0.03309
a5 0.133 b5 - 0.004944
a6 0.07535 b6 - 0.02207
b7 0.003886
b8 - 0.03118
b9 0.009069
b10 - 0.02352
b11 0.03605
b12 0.01308
Tabela 10 - MSE calculado para o erro de predição de k passos à frente do modelo ARX [6 12 12]
para os cinco conjuntos de validação.
Nas Figuras 50, 52, 54, 56 e 58 são apresentados os gráficos do MSE para
um horizonte de predição variando de 0 a 20 passos à frente, para os cinco
conjuntos de validação.
Nas Figuras 51, 53, 55, 57 e 59 são apresentados os gráficos de comparação
da saída do modelo com a saída do sistema para um horizonte de predição de 20
passos à frente, para os cinco conjuntos de validação.
79
10
9
MSE calculado
8
2
0 2 4 6 8 10 12 14 16 18 20
Horizonte de predição
Figura 50 - MSE calculado para o erro de predição de k passos à frente para o primeiro conjunto de
validação.
51
50
49
48
47
46
0 5 10 15 20 25 30
Tempo em segundos
Figura 51 - Comparação entre saída do modelo e saída do sistema para a predição de 20 passos à
frente para o primeiro conjunto de validação.
80
1.6
1.4
MSE calculado
1.2
0.8
0.6
0.4
0.2
0
0 2 4 6 8 10 12 14 16 18 20
Horizonte de predição
Figura 52 - MSE calculado para o erro de predição de k passos à frente para o segundo conjunto de
validação.
75
70
65
60
55
50
0 500 1000 1500 2000 2500
Tempo em segundos
Figura 53 - Comparação entre saída do modelo e saída do sistema para a predição de 20 passos à
frente para o segundo conjunto de validação.
81
MSE calculado 6
0
0 2 4 6 8 10 12 14 16 18 20
Horizonte de predição
Figura 54 - MSE calculado para o erro de predição de k passos à frente para o terceiro conjunto de
validação.
80
Valores da temperatura de topo
78
76
74
72
70
68
66
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 55 - Comparação entre saída do modelo e saída do sistema para a predição de 20 passos à
frente para o terceiro conjunto de validação.
82
30
25
MSE calculado 20
15
10
0
0 2 4 6 8 10 12 14 16 18 20
Horizonte de predição
Figura 56 - MSE calculado para o erro de predição de k passos à frente para o quarto conjunto de
validação.
85
Valores de temperatura de topo
84
83
82
81
80
79
78
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo em segundos
Figura 57 - Comparação entre saída do modelo e saída do sistema para a predição de 20 passos à
frente para o quarto conjunto de validação.
83
20
MSE calculado
15
10
0
0 2 4 6 8 10 12 14 16 18 20
Horizonte de predição
Figura 58 - MSE calculado para o erro de predição de k passos à frente para o quinto conjunto de
validação.
85
sistema
Valores da temperatura de topo
84 modelo
83
82
81
80
79
0 200 400 600 800 1000 1200 1400
Tempo em segundos
Figura 59 - Comparação entre saída do modelo e saída do sistema para a predição de 20 passos à
frente para o quinto conjunto de validação.
84
0.5
-0.5
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.2
-0.1
-0.2
-0.3
-0.4
-20 -15 -10 -5 0 5 10 15 20
Atrasos
0.8
Valor de autocorrelação calculado
0.6
0.4
0.2
-0.2
-0.4
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.8
0.4
0.2
-0.2
-0.4
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 63 - Correlação cruzada entre os resíduos e a entrada para o primeiro conjunto de validação.
0.8
Valor de autocorrelação calculado
0.6
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
-0.2
-0.3
-0.4
-0.5
-0.6
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 65 - Correlação cruzada entre os resíduos e a entrada para o segundo conjunto de validação.
0.8
Valor de autocorrelação calculado
0.6
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 67 - Correlação cruzada entre os resíduos e a entrada para o terceiro conjunto de validação.
0.8
Valor de autocorrelação calculado
0.6
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
-0.2
-0.3
-0.4
-0.5
-0.6
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 69 - Correlação cruzada entre os resíduos e a entrada para o quarto conjunto de validação.
0.8
Valor de autocorrelação calculado
0.6
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 71 - Correlação cruzada entre os resíduos e a entrada para o quinto conjunto de validação.
Nas Figuras 72, 74, 76, 78, 80 e 82 são apresentados os gráficos da função
de autocorrelação dos resíduos do modelo ARX [6 12 12], para o conjunto de
estimação e para os cinco conjuntos de validação.
Nas Figuras 73, 75, 77, 79, 81 e 83 são apresentados os gráficos da função
correlação cruzada entre a entrada e os resíduos do modelo ARX [6 12 12], para o
conjunto de estimação e para os cinco conjuntos de validação.
91
0.8
0.4
0.2
-0.2
-0.4
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.2
Valor de correlação cruzada calculado
0.1
-0.1
-0.2
-0.3
-0.4
-20 -15 -10 -5 0 5 10 15 20
Atrasos
0.8
0.4
0.2
-0.2
-0.4
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.3
Valor de correlação cruzada calculado
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 75 - Correlação cruzada entre os resíduos e a entrada para o primeiro conjunto de validação.
93
0.8
0.4
0.2
-0.2
-0.4
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.14
Valor de correlação cruzada calculado
0.12
0.1
0.08
0.06
0.04
0.02
-0.02
-0.04
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 77 - Correlação cruzada entre os resíduos e a entrada para o segundo conjunto de validação.
94
0.8
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.25
Valor de correlação cruzada calculado
0.2
0.15
0.1
0.05
-0.05
-0.1
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 79 - Correlação cruzada entre os resíduos e a entrada para o terceiro conjunto de validação.
95
0.8
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.6
Valor de correlação cruzada calculado
0.5
0.4
0.3
0.2
0.1
-0.1
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 81 - Correlação cruzada entre os resíduos e a entrada para o quarto conjunto de validação.
96
0.8
0.4
0.2
-0.2
0 2 4 6 8 10 12 14 16 18 20
Atrasos
0.6
Valor de correlação cruzada calculado
0.5
0.4
0.3
0.2
0.1
-0.1
-20 -15 -10 -5 0 5 10 15 20
Atrasos
Figura 83 - Correlação cruzada entre os resíduos e a entrada para o quinto conjunto de validação.
97
A partir dos gráficos obtidos, é possível perceber que na maioria dos casos as
funções de autocorrelação dos resíduos não apresentam o comportamento
desejado. Em contrapartida os resíduos gerados pelo modelo se distribuem
normalmente com média nula e variância e2 .
98
CAPÍTULO VI
CONCLUSÃO
A partir dos resultados expostos neste trabalho foi possível concluir que a
modelagem de colunas de destilação, bem como a de outros sistemas industriais,
pode ser efetuada a contento através de modelos auto-regressivos.
Os modelos aqui obtidos não utilizam os recursos e técnicas mais avançadas
dentro da teoria de identificação de sistemas, mas mesmo com modelos lineares
reproduz de forma bastante aproximada o comportamento dinâmico do sistema
pesquisado.
Estes modelos são representações discretas lineares do sistema dinâmico em
estudo. As amostras utilizadas para o ajuste destes modelos representam o
funcionamento do sistema em condições normais de operação. Portanto os modelos
aqui expostos visam representar de maneira fiel o sistema próximo a este ponto
operacional.
A metodologia utilizada segue passos comuns aos mencionados em trabalhos
científicos da área. A partir de sua aplicação foram obtidos três modelos através de
dois métodos distintos – o critério de informação de Akaike (AIC) e a validação
cruzada – sendo eles: ARX [20 20 0], ARX [16 15 15] e ARX [6 12 12], tendo este
último atingido melhor desempenho em termos de minimização do MSE para os
cinco conjuntos de validação.
Tanto o modelo ARX [20 20 0] como o ARX [16 15 15] coincidiram em ser os
modelos de ordem mais elevada nas possíveis combinações. Apesar de ambos
obterem bons resultados, em termos de ajuste, para os dados de estimação e um
primeiro conjunto de dados de validação, não obtiveram o mesmo desempenho para
os demais conjuntos de validação, além de irem contra o princípio da parcimônia,
que orienta a escolha do modelo não só na sua capacidade de ajuste, como também
na quantidade reduzida de parâmetros.
O modelo que se mostrou mais eficiente em minimizar o índice MSE para os
cinco conjuntos de validação, foi o ARX [6 12 12]. O desempenho deste modelo foi
superior aos outros dois e além de ser o que possuía um menor número de
parâmetros, atendendo o princípio da parcimônia.
99
REFERÊNCIAS
Akaike, H. (1974) A new look at the statistical model identification. IEEE Transactions
on Automatic Control. 19:6 716-723.
Doma, M. J., Taylor, P. A., Vermeer, P. J. (1996) Closed loop identification of MPC
models for MIMO processes using genetic algorithms and dithering one variable at a
time: application to an industrial distillation tower. Computers Chemical. Engineering.
20: SI035-SI040.
Gomide, R. (1988) Operações Unitárias Volume IV. 1. ed. São Paulo-SP: Edição do
Autor,187p.
102
Hovd, M., Michaelsen, R., Montin, T. (1997) Model Predictive Control of a Crude Oil
Distillation Column. Computers & Chemical Engineering. 21:S893-S897.
Ljung, L., Glad, T. (1994) Modeling of dynamic systems. 1. ed. New Jersey: Prentice
Hall, 368p.
Schneider, R., Noeres, C., Kreul, L.U., Górak, A. (2001) Dynamic modeling and
simulation of reactive batch distillation. Computers & Chemical Engineering. 25:169-
176.
103