Escolar Documentos
Profissional Documentos
Cultura Documentos
4 Modelagem Empírica Do Tempo de Acomodação em Leituras Automáticas de Grandezas Elétricas PDF
4 Modelagem Empírica Do Tempo de Acomodação em Leituras Automáticas de Grandezas Elétricas PDF
Affonso Guedes1 , Andreya P. Silva2 , Elaine S. Lelis3 , Eurípedes P. Santos4 , Fábio M. Soares5 , João
Claudio D. Carvalho6 , Marcelino S. Silva7 , Marcelo M. Costa 8 , Rodolfo da S. Alves9 , Rodrigo M. S.
Oliveira10 , Suely M.C. Romeiro11
1-5, 7-11
UFPa, Belém, Brasil
6
Eletronorte, Belém, Brasil
Resumo: Em calibrações automáticas o “time-out” é o tempo mínimo para a leitura automática não era o mesmo,
tempo necessário para que a leitura esteja disponível para ele tinha uma variação de acordo com a faixa, a freqüência e
aquisição pelo computador e portando deve ser especificado grandeza considerada. Modelar esse tempo de acomodação
com base no tempo de acomodação necessário para que as nas leituras é de suma importância para garantir eficiência
leituras estabilizem. no processo de calibração automática e principalmente
segurança dos dados obtidos. Este trabalho apresenta um
Este trabalho apresenta um estudo sobre a modelagem
estudo relacionado a modelagem empírica do tempo de
empírica do tempo de acomodação de instrumentos
acomodação ou aquisição de leituras realizadas em uma
utilizados em calibração no LACEN. A freqüência do sinal
calibração automática. Dá-se ênfase a métodos apropriados
de entrada senoidal constitui-se na variável de entrada e o
para a seleção de modelos, com especial atenção ao método
tempo necessário para a aquisição da leitura é considerado
de validação-cruzada.
como a resposta desejada. São investigados modelos
lineares e não-lineares para a dinâmica dos instrumentos em
1.1 O Time-out
diferentes faixas de operação para diferentes amplitudes do
sinal de entrada. Para a seleção de modelos, com base em Em comunicações entre dois dispositivos, o time-out pode
dados experimentais, utiliza-se a técnica estatística de ter dois significados:
Validação-Cruzada. O Erro de Predição é avaliado com base - Tempo máximo para envio de uma simples resposta ao
no Erro Quadrático Médio. Investiga-se também a controle (confirmando que o dispositivo sob controle
capacidade de predição dos modelos obtidos. recebeu o comando);
Palavras chave: Calibração Automática, Modelagem - Tempo máximo para envio da resposta ao controle, já
Estatística, Validação-Cruzada com o valor requerido.
2. MÉTODOS
1. INTRODUÇÂO
O Laboratório Central da Eletronorte (Lacen) tem sido o 2.1 Instrumentos utilizados e suas configurações:
local de realização de todos os experimentos contidos neste Instrumento 1: Multímetro Digital (MD) Agilent 3458A.
artigo. São oferecidos neste laboratório serviços de
calibração de grandezas elétricas. Atualmente, o Lacen está Função: medir uma tensão AC (Alternating Current); iniciar
credenciado à Rede Brasileira de Calibração, utilizando-se a integração quando receber um trigger externo; gerar um
os padrões do INMETRO, e é o principal agente na região pulso (Ext Out) quando a integração for finalizada.
norte do País a realizar calibrações de grandezas elétricas Instrumento 2: Multicalibrador Fluke 5500A.
para os mais diversos. Através da pesquisa e
desenvolvimento, o Lacen se encontra em processo de Função: gerar uma tensão AC.
automação de seus serviços de calibração, utilizando para Instrumento 3: Gerador de Sinal Agilent.
isso recursos tais quais computadores, softwares para
aquisição de dados, equipamentos diversos (multímetros, Função: gerar um pulso TTL.
calibradores, osciloscópios, contadores, etc) com interfaces Instrumento 4 :Freqüencímetro Agilent
RS-232 e GPIB.
Função: ativar a contagem do tempo com a chagada do sinal
Há pouco mais de um ano, quando o Lacen começou a A, e finalizar a contagem com a chagada do sinal B.
automatizar o processo de calibração, a definição de um
tempo de leitura tornou-se um problema. Para cada
equipamento, verificou-se através de experimentos que o
2.2 Esquema das conexões: 2.4 Acerca dos dados experimentais
Utilizando-se os instrumentos, esquema de conexões e
procedimentos descritos nas subseções 2.1, 2.2 e 2.3, foram
obtidos diversos valores para os tempos de acomodação em
4 resposta a sinais de tensão AC em diferentes freqüências.
Também observou-se que os tempos de aquisição das
leituras não variam significativamente com a amplitude do
sinal de entrada. Por isso, doravante considera-se a
freqüência como variável independente, e o tempo de
A B acomodação da leitura como a variável dependente. Os
dados utilizados neste trabalho correspondem a uma
3 1 amplitude de 5Vrms para a excitação AC.
Ε (a 0 , a1 , L , a k ) = ∑ {y r − y k (x r )}2
m
(4) 4.1 Seleção do Modelo com Base na Teoria de Regressão
r =1
Conforme descrito em [3], este método assume que as
Com base neste índice de desempenho busca-se determinar amostras {yr } são independentes e normalmente distribuídas
a 0 , …, a k que minimizam E . Na literatura técnica este h +1
problema de minimização é também denominado de acerca de alguma tendência polinomial y h +1 ( x) = ∑ ri x i ,
i= 0
Problema dos Mínimos Quadrados.
com variância σ2 independente de r. Então adota-se a
Se a função quadrática E tem um mínimo para a 0 , …, a k, hipótese nula de que rh+1 = 0, não importando quais valores
implica que r0 , … , rh e σ2 possam ter. O teste estatístico da hipótese
nula de que rh+1 = 0, pode ser estabelecido de forma simples
∂E
= 0 , para todo i = 0,1,…,k. (5) com base em σ h2 e σ h2+1 , como segue. Seja yk(x) o
∂a i
polinômio de grau k que melhor se ajusta ao dados yr no
Após calcular as derivadas indicadas em (5), ver referência sentido de minimizar o índice E definido em (4). Define-se
[3], define-se os escalares 2
δk2 = ∑ {y r − y k ( x r )} .
m
(9)
g ih = ∑ ( x r ) h ( x r ) i = ∑ ( x r )h +i .
m m
(6) r =1
r =1 r =1
e
γ i = ∑ y r ( xr ) .
m
i
(7) δ k2
r =1 σ k2 = . (10)
m − k −1
Então obtém-se o seguinte s istema de equações
Sob a hipótese nula, o valor esperado da estatística σ h2 é
g 00 a 0 + g 01 a1 + L + g 0 k a k = γ 0
independente de k, para k = h+1, h+2, … , m-2. Onde m é o
L L L L L L L L (8)
número de pontos experimentais disponíveis.
g k 0 a 0 + g k1 a 1 + L + g kk a k = γ k
A aplicação prática deste método requer que a variância σ k2
Estas equações são chamadas de equações normais do
seja calculada para k = 1, 2, … . Enquanto for observado
problema de ajuste de dados segundo o critério de mínimos
decrescimento significativo em σ k2 a medida que k é
incrementado, pode-se presumir que yk(x) é um modelo 1. Particione o conjunto de dados em K partições disjuntas.
válido para os dados. Se após um certo valor de k = k 1 não Por simplicidade assume-se m = r × K, tal que existem r
há decréscimo significativo emσ k2 , isto é, σ k2 ≈ σk21 para observações em cada partição.
todo k ≥ k 1 . Então pode-se presumir que os dados yr são 2. Separe uma das partições para propósito de validação.
representados de forma realística pelo polinômio y k1 ( x ) . O 3. Use os m-r pontos remanescentes para ajuste do modelo.
desenvolvimento de testes adequados para encontrar k 1 4. Use o modelo recém obtido com o conjunto de teste e
depende de experiência. Neste trabalho o procedimento
calcule o erro de predição parcial definido em (12).
implementada para encontrar k 1 consiste em selecionar o
grau k para o qual a fração de decréscimo na variância σ k2+1 5. Repita os passo de 2 a 4 até que todos as K partições
tenham sido utilizadas como conjunto de teste.
relativamente a σ k2 é inferior a 5%. Ou seja,
6. Determine o erro de predição, que é a média dos K erros.
σk2 − σ k2+1 Em muitas situações nas quais o conjunto de observações é
selecionar k, tal que 0 < < 0. 05 (11)
σk2 relativamente pequeno o analista pode escolher K = m,
resultando em conjuntos de teste de tamanho 1. Isto vai
O critério de seleção definido pelas equações (9) e (10) requerer que o modelo seja ajustado m vezes, esta escolha
também é tratado, embora com menos detalhes, em pode resultar em um custo computacional elevado se m é
literaturas próprias do campo da metrologia, tais como [1], grande. No presente trabalho os conjuntos de teste tem
[4]-[6]. comprimento igual a 1.
Um procedimento freqüentemente adotado no ajuste de Os dados experimentais disponíveis são formados por pares
modelos, consiste em particionar os dados disponíveis em (fi ,ti ) em que a variável independente fi corresponde a
dois conjuntos, com seleção aleatória das amostras freqüência do sinal senoidal sob medição e ti corresponde ao
componentes. Um dos conjuntos, dito de treinamento, é tempo de acomodação para a leitura. O conjunto de pontos
utilizado na construção do modelo, e o outro conjunto, dito utilizados na seleção e ajuste dos modelos é composto por
de teste ou de validação, é utilizado para estimar o erro de 74 pares do tipo (fi ,ti ). A fim de amenizar os problemas de
predição do modelo. Se existem n pontos (xj ,yj ) no conjunto mal condicionamento numérico associados à solução da
de teste, uma estimativa do erro de predição é dada por equação normal (8) para valores elevados de k, em todas as
situação os dados foram normalizados [3] segundo
( ( ))
2
1 n
Ep = ∑ y j − yk x j . (12) z i = ξi × 2 ξ 0 . (13)
n j =1
onde zi representa a variável na escala primitiva e ξ
Note que em (12) yk(x j ) é calculado a partir do modelo
obtido pelo uso do conjunto de treinamento, avaliado no representa a variável na nova escala. O mapeamento (13) é
ponto xj do conjunto de teste. Contudo, se o conjunto de aplicado separadamente a cada uma das variáveis
dados não é grande, particioná-lo em dois apresenta a independente e dependente conhecidas. As variáveis da nova
desvantagem óbvia de não utilizar todos os dados escala ξ são tais que
disponíveis no ajuste do modelo, o que pode ter impacto
sobre a qualidade do modelo obtido. Para contornar este − 2 36 +1 ≤ ξ 0 ≤ 236 −1 . (14)
problema, pode-se particionar repetidamente os dados em
ξi <1 (15)
diversos conjuntos de treinamento e de teste. Esta é a idéia
fundamental a respeito da validação-cruzada.
e
A forma mais geral do procedimento de validação cruzada é
1
denominada de Validação-Cruzada em K Blocos (K- fold ≤ max 1≤i ≤m ξi < 1 (16)
cross-validation). A idéia básica é particionar os dados em K 2
partições de tamanhos aproximadamente iguais, com seleção
aleatória das amostras componentes. Então, uma partição é
reservada para teste e o restante dos dados é utilizado para
ajustar o modelo. O conjunto de teste é utilizado para
calcular o erro de predição. Este procedimento é repetido até
que todas as K partições tenham sido utilizadas como
conjunto de teste. A média dos erros de predição obtidos
para cada conjunto de teste é o erro de predição estimado
para o modelo. Abaixo são descritos os passos envolvidos
na validação-cruzada [7],[8]
Para uma análise mais completa, fez-me uma comparação de
desempenho entre um polinômio de 6a. ordem e um
polinômio de 22a. ordem. Para tanto, o conjunto de dados
utilizados, contendo 23 amostras, é desconhecidos de ambos
os modelos. A figura 6 ilustra o comportamento de cada um
dos modelos. Os erros de predição obtidos foram de 25.81 e
29.89 para os modelos de 6a. e 22a. ordens, respectivamente.
Portanto, o modelo de 6a. ordem apresenta desempenho
superior para amostras não contidas no conjunto de
treinamento.