Vous êtes sur la page 1sur 114

COPPE/UFRJ COPPE/UFRJ

FERRAMENTAS ESTATSTICAS PARA MONITORAMENTO DE MODELOS


INFERENCIAIS
Kese Pontes Freitas
Dissertao de Mestrado apresentada ao
Programa de Ps-graduao em Engenharia
Qumica, COPPE, da Universidade Federal do
Rio de Janeiro, como parte dos requisitos
necessrios obteno do ttulo de Mestre em
Engenharia Qumica.
Orientadores: Enrique Lus Lima
Jos Carlos Costa da Silva Pinto
Rio de Janeiro
Maio de 2009
FERRAMENTAS ESTATISTICAS PARA MONITORAMENTO DE MODELOS
INFERENCIAIS
Kese Pontes Freitas
DISSERTAO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO
LUIZ COIMBRA DE PS-GRADUAO E PESQUISA DE ENGENHARIA
(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE MESTRE
EM CINCIAS EM ENGENHARIA QUMICA.
Aprovada por:
________________________________________________
Prof. Enrique Lus Lima, DSc.
________________________________________________
Prof. Jos Carlos Costa da Silva Pinto, DSc.
________________________________________________
Prof. Tito Lvio Moitinho Alves, DSc.
________________________________________________
Prof. Marcio Schwaab, DSc.
RIO DE JANEIRO, RJ - BRASIL
MAIO DE 2009
Freitas, Kese Pontes
Ferramentas Estatsticas para Monitoramento de
Modelos Inferenciais/ Kese Pontes Freitas. Rio de
Janeiro: UFRJ/COPPE, 2009.
XI, 103 p.: il.; 29,7 cm.
Orientador: Enrique Lus Lima
Jos Carlos Costa da Silva Pinto
Dissertao (mestrado) UFRJ/ COPPE/ Programa de
Engenharia Qumica, 2009.
Referencias Bibliogrficas: p. 96-103.
1. Anlise estatstica. 2. Dados operacionais. 3.
Modelos inferenciais. I. Lima, Enrique Lus et al. II.
Universidade Federal do Rio de Janeiro, COPPE,
Programa de Engenharia Qumica. III. Titulo.
iii
Resumo da Dissertao apresentada COPPE/UFRJ como parte dos requisitos
necessrios para a obteno do grau de Mestre em Cincias (M.Sc.)
FERRAMENTAS ESTATSTICAS PARA O MONITORAMENTO DE MODELOS
INFERENCIAIS
Kese Pontes Freitas
Maio/2009
Orientadores: Enrique Lus Lima
Jos Carlos Costa da Silva Pinto
Programa: Engenharia Qumica
Nesta dissertao proposta uma abordagem estatstica para monitoramento e
avaliao da qualidade de inferncias, com foco nos modelos inferenciais. Como
ilustrao apresentado o caso da inferncia da temperatura a 85% do diesel em um
processo de refino. Prope-se aqui que ferramentas estatsticas clssicas sejam
realizadas tanto nos dados operacionais quanto no modelo inferencial empregado, a fim
de investigar a consistncia estatstica da inferncia. Ao longo do estudo, foi proposta
uma adequao do modelo inferencial por meio do mtodo estatstico de estimao de
parmetros. Todavia, o modelo inferencial em estudo no se apresenta estatisticamente
adequado para fornecer a inferncia confivel da temperatura a 85% do diesel,
apresentando fortes indcios de super-parametrizao. A metodologia de abordagem
estatstica proposta se mostra bastante eficaz na determinao da qualidade estatstica de
inferncias, sendo um procedimento que apresenta grande potencial de aplicao em
tempo real.
iv
v
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)
STATISTICAL TOOLS FOR MONITORING OF INFERENTIAL MODELS
Kese Pontes Freitas
May/2009
Advisors: Enrique Lus Lima
Jos Carlos Costa da Silva Pinto
Department: Chemical Engineering
In this dissertation a statistical approach is proposed for monitoring and
evaluation of the quality of inferences and inferential models. As an illustration, the
inference of the 85% temperature of diesel in a refining plant is presented. It is proposed
that statistical analyses be performed both with the operational data and the inferential
data in order to investigate the statistical consistency of the inferences. The adequacy of
the studied inferential model is analyzed through parameter estimation. However, it is
shown that the studied inferential model does not seem appropriate to provide reliable
inferences for the 85% temperature of diesel, because there are strong indications of
super-parameterization. The proposed statistical approach is very effective for
determination of the quality of statistical inferences and presents great potential for
applications in real time.
NO DIA EM QUE EU SA DE CASA
JOEL MARQUES
No dia em que eu sa de casa minha me me disse:
- Filho, vem c!
Passou a mo em meus cabelos olhou em meus olhos comeou falar:
- Por onde voc for eu sigo com meu pensamento sempre onde estiver
Em minhas oraes eu vou pedir a Deus que ilumine os passos seus...
Eu sei que ela nunca compreendeu
Os meus motivos de sair de l
Mas ela sabe que depois que cresce
O filho vira passarinho e quer voar...
Eu bem queria continuar ali
Mas o destino quis me contrariar
E o olhar de minha me na porta
Eu deixei chorando a me abenoar...
A minha me naquele dia me falou do mundo como ele
Parece que ela conhecia cada pedra que eu iria por o p
E sempre ao lado do meu pai da pequena cidade ela jamais saiu
Ela me disse assim:
- Meu filho v com Deus que este mundo inteiro seu...
Eu sei que ela nunca compreendeu
Os meus motivos de sair de l
Mas ela sabe que depois que cresce
O filho vira passarinho e quer voar...
Eu bem queria continuar ali
Mas o destino quis me contrariar
E o olhar de minha me na porta
Eu deixei chorando a me abenoar...
E o olhar de minha me na porta
Eu deixei chorando a me abenoar...
E o olhar de minha me na porta
Eu deixei chorando a me abenoar...
vi
Sandra Aparecida Duarte Pontes, senhora de minha vida.
Ketly Pontes Soares, minha brilhante estrela.
Alberto Assis Arajo, meu maravilhoso pai.
DEDICO.
Ao meu anjo, amigo e cmplice.
minha adorvel amiga Beatriz.
OFEREO.
vii
AGRADECIMENTOS
Agradeo todas as dificuldades que enfrentei; no
fosse por elas, eu no teria sado do lugar. As
facilidades nos impedem de caminhar. Mesmo as
crticas nos auxiliam muito.
FRANCISCO CNDIDO XAVIER
Neste momento especial, o fechamento e o incio de etapas importantes,
agradeo e louvo ao Pai Celestial a vitria glorificante.
Amor sincero tradicional famlia mineira (TFM), Duarte Pontes, presente e
verdadeira.
Minha amada me guerreira, ao meu pai to generoso.
minha irm to companheira e ao meu irmo amoroso.
Carinho amiga famlia Prata, a qual serei sempre muito grata.
Dedicao aos Mafra que muito por mim fizeram, de corao meu lar carioca
eterno.
Quero eu aqui lembrar os amigos companheiros, os ntimos confidentes, os
resistentes e os fuleiros.
Andr, pacincia e bondade.
Diego, poesia e amizade.
viii
Edu Lemos, disposio e fraternidade.
Edu Lima, concentrao e sinceridade.
Elisa, carinho e simplicidade.
Fabrcio, dedicao e serenidade.
Helosa, ternura e cumplicidade.
Isaias, benevolncia e religiosidade.
Joo Batista, lealdade e irmandade.
Jos da Paixo, polidez e tranqilidade.
Matheus, confidncia e fidelidade.
Paulo Andr, bom humor e boa vontade.
Schwaab, inteligncia e generosidade.
E minha querida turma (mestrado 2007), s tenho a bendizer: vocs so os
melhores, marcaram o meu viver!
Admirao eterna aos meus orientadores; poderosos em conhecimento, ricos em
humanidade.
Enrique Lus Lima, meu referencial.
Jos Carlos Costa da Silva Pinto, meu doutrinador.
Gratido pela exmia orientao, pela humildade em compartilhar conhecimento
na mais completa capacidade de se doar.
Carinho ao meu orientador acadmico, Tito Lvio Moitinho.
Acolheste-me de braos abertos, me ensinastes os primeiros passos,
companheiro desta caminhada.
Aos professores do PEQ no h o que acrescentar, so na ntegra completos e
fazem deste um grande lar.
Aos funcionrios do PEQ o meu sincero agradecer, foram em todos os
momentos companheiros pra valer!
Amizade saudosa ao casal maravilhoso Andria e Esly Costa Jr., presentes
preciosos.
ix
x
Gratido CAPES, pela oportunidade de execuo do trabalho.
Agradecimentos PETROBRS, em especial Antnio Carlos Zanin,
Euclides Almeida e equipe da RPBC (Refinaria Presidente Bernardes de Cubato),
pela preciosa contribuio ao disponibilizar os dados operacionais.
cidade maravilhosa; no passas de promessas...
NDICE
1. CAPTULO I - INTRODUO............................................................................ 01
2. CAPTULO 2 REVISOBIBLIOGRFICA.................................................... 04
2.1 ANLISE ESTATSTICA DE INFERNCIAS.................................................... 04
2.1.1 Anlise Estatstica de Erros Grosseiros................................................................ 06
2.2 SENSORES VIRTUAIS: MECANISMOS DE INFERNCIAS........................... 08
3. CAPTULO 3 MONITORAMENTO ESTATSTICO DE INFERNCIAS.. 16
3.1 MONITORAMENTO ESTATSTICO DE INFERNCIAS.................................. 16
3.2 ESTUDO DE CASO: INFERNCIA DA T85% ASTM DO DIESEL PESADO.. 18
3.2.1 O Modelo Inferencial........................................................................................... 19
3.2.2 O Problema do BIAS............................................................................................. 21
3.3 METODOLOGIA DE ABORDAGEM.................................................................. 21
3.3.1 Inferncias............................................................................................................ 23
3.3.2 Resduos de inferncias........................................................................................ 24
3.3.3 Caracterizao Bsica........................................................................................... 24
3.3.4 Caracterizao Dinmica...................................................................................... 26
3.3.5 Caracterizao da Predio.................................................................................. 33
3.3.6 Adequao do Modelo Inferencial....................................................................... 43
4. CAPTULO 4 RESULTADOS............................................................................ 44
4.1 DADOS OPERACIONAIS..................................................................................... 44
4.2 ANLISE DOS DADOS........................................................................................ 45
4.3 ANLISE DO MODELO INFERENCIAL............................................................ 61
4.4 ADEQUAO DO MODELO INFERENCIAL....................................................76
4.5 ANLISE DO MODELO INFERENCIAL PROPOSTO...................................... 82
5. CAPTULO 5 CONCLUSO E SUGESTES................................................. 94
6. REFERNCIAS...................................................................................................... 96
xi
CAPTULO I
INTRODUO
Sei que meu trabalho s uma gota no oceano, mas
sem ele o oceano seria menor.
MADRE TERESA DE CALCUT
Nos processos industriais um problema muito comum a difcil medio de
algumas variveis cruciais para avaliao contnua do seu desempenho e qualidade. A
origem desta dificuldade pode estar associada falta de instrumentos que meam essas
variveis ou necessidade de amostragem e anlises de laboratrio demoradas. Neste
ltimo caso, a demora pode inviabilizar uma operao satisfatria do processo.
Uma abordagem bastante utilizada para contornar esta situao usar um
modelo matemtico para inferir variveis no medidas, ou medidas com baixa
freqncia, por meio de outras variveis (secundrias ou auxiliares) que podem ser
medidas com maior freqncia.
Em geral, o conhecimento dos valores das variveis, combinado com o uso de
modelos matemticos apropriados (sensor virtual), permite inferir e controlar a
qualidade de um produto sem a necessidade de anlises laboratoriais muito freqentes.
No entanto, esta soluo requer dados e modelo matemtico de alta confiabilidade para
seu xito. Se esta combinao no , ou deixa de ser, confivel, os valores inferidos
podem trazer prejuzos maiores que os resultantes de anlises de laboratrio demoradas.
1
Desta forma evidente a necessidade de monitorar a qualidade das inferncias obtidas
por meio de variveis auxiliares e modelos matemticos (inferenciais), antes de
consider-las satisfatrias para outros usos (como, por exemplo, controle de processos).
Como os dados medidos esto sujeitos a erros de medio, o monitoramento em
tempo real da qualidade de inferncias obtidas deve ser realizado sob a luz de
ferramentas estatsticas apropriadas.
Nesta pesquisa desenvolvida uma metodologia de monitoramento de qualidade
de inferncias, sendo aplicada a um processo de produo de diesel da indstria de
refino. O problema analisado consiste na inferncia da qualidade do diesel produto, que
composto pela mistura da corrente da torre atmosfrica de diesel de destilao direta e
de querosene e da corrente de fundo da unidade de solventes.
A especificao do diesel feita atravs do parmetro de qualidade T85%, que
corresponde ao ponto 85% da curva de destilao ASTM D-86 do diesel produto
(temperatura quando 85% do volume de uma amostra do produto so evaporados). No
entanto, na prtica, a amostragem para monitorar esta especificao do diesel realizada
a cada 12 horas, sendo que os resultados das anlises laboratoriais so repassados
operao 3 horas aps a coleta, indicando assim a necessidade de valores inferidos com
maior freqncia por meio de um sensor virtual. O sensor virtual estudado neste caso
depende de informaes oriundas da inferncia de outras propriedades do processo,
calculadas a partir de modelos de destilao multicomponente, que podem conter, alm
de possveis erros de modelagem e parametrizao, erros embutidos nas variveis
medidas.
Assim, o objetivo principal desta dissertao a elaborao de uma
metodologia, fundamentada em tcnicas estatsticas, para monitorao e avaliao da
qualidade dos dados produzidos por modelos de inferncia. O principal resultado
perseguido a definio e proposio de uma metodologia de avaliao de fidelidade de
modelos inferenciais, que permita definir de forma inequvoca se um modelo inferencial
precisa ser reajustado aos dados disponveis de processo. Neste sentido, o estudo foi
elaborado ao longo de trs linhas principais de ao:
i. Monitorao da qualidade de inferncias.
2
3
ii. Comparao do desempenho de diferentes modelos de inferncia.
iii. Determinao de um conjunto bsico de ferramentas estatsticas para
avaliao e julgamento de dados.
Esta dissertao est organizada em cinco captulos; incluindo esta introduo. O
prximo captulo, intitulado Reviso Bibliogrfica, trata de uma breve reviso sobre o
tema abordado, em termos das principais ferramentas de anlise estatstica utilizadas e o
uso generalizado de sensores virtuais. No Captulo III, intitulado Monitoramento
Estatstico de Inferncias, discute-se a relevncia de monitorar inferncias
estatisticamente e apresentam-se a descrio do sistema estudado e a metodologia de
abordagem aplicada ao problema. J o quarto captulo, intitulado Resultados, apresenta
os resultados mais relevantes, acompanhados por uma anlise e discusso. Finalmente, o
Captulo V, intitulado Concluso e Sugestes, apresenta os principais ganhos, vantagens
e desvantagens da abordagem empregada neste estudo, e ainda outras possveis
propostas a explorar no tema.

CAPTULO II
REVISO BIBLIOGRFICA
No f oram os f at os que vi eram a post eri ori
conf i rmar a t eori a. A t eori a que vei o
subseqent ement e expl i car e resumi r os
f at os.
ALLAN KARDEC
Neste captulo so apresentados os principais conceitos empregados neste estudo
em uma breve reviso contextual sobre o tema. Esta parte do estudo foi dividida nos
temas Anlise Estatstica de Processo e Sensores Virtuais.
2.1 ANLISE ESTATSTICA DE INFERNCIAS
Estratgias de controle so desenvolvidas para manter a operao do processo
dentro de uma faixa pr-estabelecida ou tima, geralmente o estado estacionrio.
Todavia, os processos reais so continuamente sujeitos as mudanas de condies
operacionais de um estado estacionrio para outro (MORAD et al., 1999). Portanto, o
4
monitoramento efetivo das caractersticas da qualidade de um processo de produo
depende freqentemente de ferramentas estatsticas para a deteco, identificao e
anlise das causas responsveis por variaes que afetam o comportamento do processo
de maneira imprevisvel.
De acordo com MONTGOMERY (2004), que apresenta uma breve histria dos
procedimentos usados para controle e melhoria da qualidade, a introduo da cincia
estatstica no meio industrial foi feita por Shewhart em 1924. Shewhart utilizava
mtodos estatsticos para alcanar o estado de controle de um sistema e para julgar
quando este estado foi alcanado, ficando famoso por desenvolver o conceito estatstico
de carta de controle (CC).
Ao longo do tempo, com a complexidade dos processos e o enorme volume de
dados disponveis em plantas industriais modernas automatizadas, abordagens
empregando tcnicas e ferramentas estatsticas foram continuadamente difundidas,
devido necessidade de garantir as condies operacionais do processo e as
especificaes do produto. Desta forma, anlise, monitoramento e controle de processos
baseados em tcnicas estatsticas so prticas comuns em vrias indstrias h mais de
40 anos (KOURTI, 2006).
De acordo com MILETIC et al. (2004), a literatura tecno-cientfica reporta uma
enorme variedade de ferramentas estatsticas disponveis para anlises de processo, que
vm ganhando popularidade no meio industrial, tais como: anlises dos componentes
principais, mnimos quadrados parciais, entre outras. Todavia, so as ferramentas
estatsticas clssicas (como por exemplo, mdias e varincias) as responsveis pela
deteco e definio das condies de operacionabilidade dos processos. Sua
importncia tal, que estratgias desenvolvidas para controle e otimizao de processos
as empregam como referenciais.
Pode-se dizer que as ferramentas estatsticas clssicas esto presentes em todos
os mtodos estatsticos, compondo a base destes mtodos, atuando de forma secundria
e muitas vezes exercendo o papel principal (como alguns exemplos destes mtodos
podem-se citar: o controle estatstico da qualidade (CEQ), o controle estatstico de
processo (CEP), o planejamento de experimentos (PE), a anlises de capacidade de
5
processos, a teoria da amostragem, dentre outros). Essas ferramentas clssicas tambm
esto presentes em estudos que envolvem a regresso de modelos, como os
procedimentos de estimao de parmetros e reconciliao de dados (RD). Portanto,
inegvel a aplicabilidade dessas ferramentas estatsticas, sobretudo no ambiente
industrial, onde o nvel de exigncias a respeito da qualidade do produto, da segurana
operacional e dos padres da legislao ambiental cada vez mais rigoroso.
Neste contexto, pode-se afirmar que o uso de ferramentas estatsticas so
prticas estabelecidas e de grande conceito. possvel perceber, dada a popularidade
dessas ferramentas, que as variveis operacionais importantes j possuem uma
estatstica estabelecida na maioria das unidades industriais. Todavia, mesmo com o
avano da tecnologia digital, que possibilita a rpida evoluo desta inteligente reunio
entre a engenharia e a estatstica, estudos estatsticos envolvendo qualidade de
inferncias parecem no ter sido reportados.
Apesar do conceito de inferncias ser relativamente novo na literatura tecno-
cientfica, a importncia destes elementos para os processos industriais elevada, sendo
empregadas como parmetros da qualidade do produto e como medida no sistema de
controle avanado. Portanto, esta dissertao dedicada anlise estatstica da
qualidade deste importante e decisivo elemento, que se encontra presente na maioria dos
processos atuais.
2.1.3 Anlise Estatstica de Erros Grosseiros
Outra importante aplicao da estatstica na anlise de processos est relacionada
deteco de erros grosseiros (DEG). A inferncia representa um importante papel nos
processos modernos de engenharia, sendo geralmente obtidas a partir de medidas do
processo e de modelos construdos, com base fenomenolgica ou emprica, usando
dados histricos que provm de plantas industriais. Contudo, dados amostrados
inerentemente contm erros, fazendo-se imprescindvel uma avaliao da qualidade
destes dados operacionais.
6
Embora seja natural admitir que os erros de medidas sejam aleatrios,
normalmente distribudos, no correlacionados, com mdia nula e varincia conhecida,
estas colocaes nem sempre esto de acordo com a realidade de operao do processo.
Erros grosseiros (associados falhas eventuais ou a desvios sistemticos dos sistemas
de medies) esto muitas vezes presentes nos dados. De forma geral, no seguem o
comportamento estatstico clssico.
De acordo com SCHWAAB e PINTO (2007), a expresso erros grosseiros
usada genericamente para designar pontos experimentais que parecem no se adequar a
uma distribuio particular de probabilidade definida pela grande maioria dos demais
pontos experimentais. Todavia, Gumbel em 1960 cautelosamente alerta para o fato de
que a rejeio de erros grosseiros, mesmo em bases estatsticas, e continua a ser um
procedimento perigoso, pois a existncia destes pontos pode ser a prova de que a
populao estudada no , na realidade, o que se admitiu que fosse (KRUSKAL et al.,
1960). Apesar disso, o fato que a presena de erros grosseiros pode invalidar a base
estatstica admitida para as variveis envolvidas, levando a obteno de estimativas
errneas para as variveis e parmetros (FREITAS et al., 2008).
Segundo CHEN e ROMAGNOLI (1998) os erros grosseiros podem ser
divididos em duas classes: os desvios sistemticos (tambm chamados permanentes) e
os valores esprios. Desvios sistemticos so valores consistentemente mais altos ou
mais baixos das medidas em relao aos valores reais. O valor mdio do erro neste caso
no nulo. Estes erros podem derivar da instalao ou calibrao incorreta dos
instrumentos de medida (LIEBMAN et al., 1992, MCBRAYER e EDGAR, 1995). J os
valores esprios so medidas obtidas a partir de algum comportamento anormal,
resultante de picos de processo ou distrbios no medidos. Um valor esprio uma
medida que no segue qualquer distribuio estatstica representativa do conjunto dos
dados (ALBUQUERQUE e BIEGLER, 1996; CHEN e ROMAGNOLI, 1998).
Um fator limitante para o amplo uso de sensores virtuais em processos
industriais a sua incapacidade de lidar com dados ruidosos. Assim, para obter
inferncias satisfatrias, a influncia dos menos freqentes erros grosseiros deve ser
eliminada. Isto pode ser realizado por procedimentos de deteco de erros grosseiros,
que trata de uma subdiviso da etapa completa de retificao de dados.
7
Algumas abordagens para deteco de erros grosseiros baseadas em tcnicas
estatsticas tm sido reportadas na literatura, dentre as quais podem ser citadas: a
utilizao das tcnicas de anlise de agrupamentos, do termo em ingls cluster
(CHEN e ROMAGNOLI, 1998; PRATA et al., 2008; FREITAS et al., 2008), e a
anlise dos componentes principais (TONG e CROWE 1995, 1996; JIANG et al.,
1999).
2.2 SENSORES VIRTUAIS: MECANISMOS DE INFERNCIAS
A quantidade e a qualidade de informaes obtidas de um dado processo (ou
mais genericamente, de um sistema) so fatores fundamentais para oper-lo
satisfatoriamente. Qualquer sistema de monitoramento e/ou controle de processos est
vinculado ao emprego de elementos fsicos, conhecidos como sensores, que permitam a
coleta dessas informaes. A importncia dos sensores para processos cada vez maior,
envolvendo grande nmero de reas de aplicao. Existem sensores de muitos tipos, que
so especificados de acordo com a natureza da varivel a ser medida e com as condies
de aplicao.
PARK e HAN (2000) afirmam que a disponibilidade de sensores que superem as
limitaes de custo, confiabilidade e grandes atrasos de resposta favorece a implantao
de sistemas de monitoramento e controle mais eficientes, possibilitando a reduo nas
perdas de produto e energia, a diminuio de problemas de segurana e maior controle
sobre os produtos txicos gerados durante o processo.
Apesar da constante evoluo tecnolgica dos sensores, estes elementos ainda
possuem algumas srias limitaes em vrios processos. Alguns autores (THAM et al.,
1991; SOROUSH 1998; GONZLES, 1999; ALBERTOS e GODWIN, 2002;
ZANATA, 2005; FORTUNA et al., 2007) descrevem os seguintes problemas como os
que mais afetam sua aplicao:
i. Indisponibilidade no mercado.
8
ii. Altos custos de aquisio e de manuteno.
iii. Necessidade peridica de manuteno do equipamento.
iv. Preciso grosseira.
v. Falhas.
vi. Elevado tempo de resposta.
vii. Distncia considervel do ponto de medio.
viii. Ambiente de medio hostil.
Neste contexto, como tentativa de solucionar ou amenizar os problemas
descritos acima e aproveitando os avanos da tecnologia digital, surge um novo
conceito de sensores, capazes de manipular computacionalmente as informaes
medidas e transmiti-las de forma mais eficiente para o uso do processo. Estes sensores
so chamados sensores virtuais e so responsveis pela inferncia de propriedades
cruciais do processo.
A literatura tcnico-cientfica reporta uma variedade de nomes empregada para
denominar a tcnica que, ao utilizar sensores parcial ou completamente programveis,
justifica a popularidade do termo sensor virtual. De acordo com ZANATA (2005) a
origem da denominao sensor virtual est relacionada sua principal aplicao:
substituio dos sensores fsicos.
Recentemente, o popular termo soft sensor (software sensor) teve patente
requerida pela Pavilion Tecnologies Inc. (ZANATA, 2005). Esta empresa foi uma
pioneira no uso da tcnica para inferncias das propriedades de qualidade da folha de
papel durante a fabricao.
Portanto, os sensores virtuais representam um importante marco na evoluo dos
processos modernos de engenharia. Podem ser definidos como um algoritmo para
tomada de medidas, cujo elemento principal o modelo inferencial. O modelo
inferencial corresponde a um modelo matemtico que, por meio de um conjunto de
variveis medidas, torna possvel a predio de variveis que no podem ser medidas na
planta e/ou em tempo real.
9
A idia fundamental deste instrumento inteligente a associao entre o
sensor ou o conjunto de sensores e o modelo. Desta forma, o sensor virtual composto
por duas partes distintas:
i. Hardware. Consiste no sensor, ou conjunto de sensores que medem variveis
relacionadas com a varivel que se deseja monitorar.
ii. Software. Consiste no algoritmo com o modelo implementado (modelo
inferencial), capaz de fornecer por meio de simulaes a varivel desejada.
Diferentes estratgias tm sido propostas para desenvolver sensores virtuais. De
acordo com FORTUNA et al. (2007), so trs as principais abordagens utilizadas para o
desenvolvimento destes sensores: modelagem fenomenolgica, estatstica multivariada
e modelagem por inteligncia artificial (Redes Neuronais, Lgica Fuzzy e mtodos
hbridos).
A primeira destas abordagens, tambm conhecida como modelagem caixa
branca, requer um vasto conhecimento das leis fsicas. Como as plantas usualmente
envolvem fenmenos que se identificam melhor com modelos no lineares e de maior
complexidade, o desenvolvimento do modelo pode requer muito tempo e esforo de
programao e implementao (FREITAS et al., 2006). Alm disso, com os atuais
avanos nos sistemas de automao industrial, um grande nmero de variveis de
processo podem ser simultaneamente medidas e armazenadas, podendo ser facilmente
acessadas, o que encoraja a construo de modelos a partir de dados histricos, j que o
registro histrico acumulado representa uma fonte muito til de informao, que
permite identificar caractersticas relevantes do processo (FORTUNA et al., 2007).
Todavia, importante enfatizar que estas abordagens so usadas para executar uma
mesma funo: transformar medidas disponveis na planta em outras medidas no
disponveis, com auxlio de uma transformao matemtica.
Devido a sua simplicidade, os sensores virtuais so empregados para soluo de
inmeros problemas, tais como (FORTUNA et al., 2007):
i. Cpia do sistema de medio.
ii. Simulaes.
iii. Reduo da necessidade de sensores fsicos (hardware).
iv. Predio em tempo real para monitoramento e controle da planta.
10
v. Validao de sensores.
vi. Estratgias de diagnstico e deteco de falhas.
Um problema mais especfico, mas de grande importncia que pode ser
encontrado nos mais variados processos, em escala industrial ou laboratorial, so os
chamados parmetros intangveis. Parmetros intangveis podem ser propriedades muito
complexas de uma substncia, tais como cor, sabor ou gosto, cremosidade, maciez ou
suavidade, que podem ser somente definidos subjetivamente. De acordo com
SOROUSH (1998), a relao entre a planta e o ndice de qualidade de produtos que
dependem dos parmetros intangveis geralmente complicada e no bem entendida,
baseando-se apenas na experincia sem um padro quantitativo. Sensores virtuais
podem ser muito teis nesses casos, por permitirem acmulo de experincia passada em
modelos empricos de monitoramento.
Os sensores virtuais e suas diversas aplicaes tm sido amplamente estudados
no ambiente industrial (FORTUNA et al., 2007). Segundo GONZLES (1999), os
sensores so os olhos pelos qual o comportamento de uma planta visto e a informao
sobre seu desempenho obtida. Da a grande importncia dos sensores virtuais,
capazes de enxergar mais alm.
Um estudo de reviso realizado por GONZLES (1999) prope uma abordagem
integrada de vrios mtodos de desenvolvimento de sensores virtuais, com destaque
para os modelos obtidos atravs de tcnicas de modelagem emprica e modelagem
hbrida. O autor tambm faz consideraes relacionadas a estratgias de controle
baseadas em modelos inferenciais.
Alguns dos aspectos mencionados por GONZLES (1999) tambm podem ser
encontrados em ALBERTOS e GOODWIN (2002), que analisaram as propriedades
bsicas de sensores, com o foco nas operaes de controle em tempo real. Estes autores
revisaram diferentes abordagens para o desenvolvimento de sensores virtuais, alm de
algumas estratgias para aplicar estes projetos de acordo com as suas vrias restries
na indstria.
11
Dentre as aplicaes industriais para quais os sensores virtuais tm tido grande
emprego, destaca-se o caso onde se faz necessria a obteno de medidas em um
intervalo pequeno de tempo. THAM et al. (1991) aborda este problema em vrios
processos industriais diferentes, apresentando diversas formulaes para aplicaes
independentes. De acordo com YANG e CHAI (1997), estes sensores constituem uma
poderosa ferramenta para aumento da freqncia de amostragem.
De acordo com SOROUSH (1998), os sensores convencionais tornaram-se
inadequados para algumas necessidades dos modernos sistemas de monitoramento e de
controle de processos que requerem respostas rpidas durante a operao. Nesses casos,
o emprego de sensores virtuais a alternativa mais vivel na crescente e agressiva
competio global para produo de produtos de alta qualidade a baixos custos.
Uma abordagem inovadora na literatura tcnica-cientfica dedicada a
desenvolvimento de sensores virtuais proposta por LIN et al. (2007). Estes autores
apresentam uma sistemtica baseada em tcnicas de estatstica robusta para
desenvolvimento de sensores virtuais, construdos a partir de dados operacionais.
Prope-se que os sensores sejam utilizados como observadores de estados de variveis
relacionadas qualidade dos produtos e emisso de poluentes atmosfricos na
indstria.
Devido a sua importncia, o cenrio de aplicaes dos sensores virtuais cada
vez mais amplo. A seguir sero apresentados exemplos que ilustram esse cenrio.
Uma aplicao bastante interessante de sensores virtuais foi relatada por CHOI e
PARK (2001). Estes autores apontam o uso de medidores inferenciais como uma
alternativa bastante vivel nos processos de tratamento de efluentes, pois apresentam
menor custo, satisfatria preciso e maior confiabilidade em relao aos sensores
convencionais empregados para medir a composio de fsforo e nitrognio
dissolvidos. Vrios outros trabalhos semelhantes vm sendo desenvolvidos na rea
ambiental. Alguns exemplos interessantes so apresentados por BERTHOUEX e BOX
(1996), MILLER et al. (1997), MASSON et al. (1999), SOTOMAYOR et al. (2002),
MATSUMURA et al. (1998) e LIN et al. (1997).
12
H tambm uma grande aplicabilidade destes sensores nas reas de bioprocessos
e de biotecnologia, bem como na engenharia gentica, onde os sensores convencionais
so caros ou inexistentes. Alguns trabalhos envolvendo sensores virtuais nestas reas de
pesquisa so apresentados por LINKO et al. (1999), JAMES et al. (2000), ASSIS e
MACIEL FILHO (2002), BOGAERTS e WOUWER (2003), KOMIVES e PARKER
(2003), BOGAERTS e WOUWER (2004), ARAZO-BRAVO et al. (2004),
FEITKENHAUER e MEYER (2004), DESAI et al. (2006) e DAI et al. (2006). JAMES
et al. (2000) fazem uma extensa reviso sobre o assunto, focando o desenvolvimento de
medidores inferenciais para processos bioqumicos. Estes autores apresentam ainda um
histrico organizado, que permite avaliar onde esto ocorrendo os avanos mais
significativos e quais tcnicas tem maior aplicao para estes processos.
Na indstria de celulose e papel sensores virtuais so empregados como
inferidores para predio do nmero Kappa (ndice de qualidade da celulose) e como
medidores inferenciais para determinar parmetros de qualidade considerados crticos
de folhas de papel (FREITAS et al., 2005; DUFOUR et al., 2005).
Sensores virtuais tambm encontram grande aplicabilidade na indstria de
polmeros, onde a qualidade do produto especificada principalmente em termo de
propriedades difceis de medir e geralmente indisponveis em tempo real (PRATA,
2005). Algumas aplicaes de sensores virtuais para processos de polimerizao so
apresentadas por ZHANG et al. (1997), TALAIE et al. (1998), CHEN et al. (2004),
SHARMIN et al. (2006), LIU (2007) e FACCO et al. (2008).
Entretanto, a indstria petrolfera pode ser considerada a pioneira no
desenvolvimento e implementao de estratgias envolvendo sensores virtuais. Tal fato
se deve necessidade do conhecimento em tempo real de algumas propriedades para o
bom funcionamento dos sistemas de monitoramento e controle avanado do processo e
do produto. Em um artigo de discusso, FRIEDMAN (2005) afirma que foi um dos
pioneiros em desenvolver modelos inferenciais fenomenolgicos para unidades de
destilao cruas, cujas atividades foram iniciadas em 1982. Este autor props um
modelo inferencial, cujo nome comercial GCC (Generalized Cut-point Calculation),
que foi implementado para aplicaes em malha fechada de controle avanado em
aproximadamente 40 refinarias.
13
A Tabela (2.1) apresenta alguns trabalhos recentes desenvolvidos para vrias
aplicaes de sensores virtuais no processo de refino.
Tabela 2.1: Aplicaes de sensores virtuais no processo de refino.
Autor Ano Cenrio de aplicao
Yang et al. 1998 Craqueamento Cataltico
Park e Han 2000 Coluna de Destilao
Zhong e Yu 2000 Coluna de Destilao
Zamprogna et al. 2001 Coluna de Destilao
Dave et al. 2003 Coluna de Destilao
Fortuna et al. 2003 Coluna de Destilao
Kano et al. 2003 Coluna de Destilao
Yan et al. 2003 Coluna de Destilao
Chatterjee e Saraf 2004 Coluna de Destilao
Yan et al. 2004 Coluna de Destilao
Fortuna et al. 2005 Coluna de Destilao
Frozza et al. 2005 Coluna de Destilao
Jana et al. 2005 Coluna de Destilao
Zamprogna et al. 2005 Coluna de Destilao
Skeie et al. 2006 Unidade de Separao gua/leo
Fortuna et al. 2007 Vrios*
Jain et al. 2007 Coluna de Destilao
Kano et al. 2008 Coluna de Destilao
Yan 2008 Coluna de Destilao
* Livro intitulado Soft Sensors for Monitoring and Control, apresenta tambm alguns trabalhos
envolvendo sensores virtuais para monitoramento e controle deste processo.
Apesar de todo avano e desenvolvimento relacionado construo e
implementao de sensores virtuais, tanto na academia quanto na indstria,
surpreendentemente nada tem sido reportado a respeito de caracterizao estatstica da
qualidade dos dados fornecidos ou do desempenho dos modelos implementados. De
forma geral, a literatura considera que um modelo inferencial bom quando a
correlao obtida entre um certo conjunto de dados inferidos na planta e as respectivas
14
15
medidas obtidas fora de linha superior a um certo valor limite pr-estabelecido (por
exemplo, a correlao de 0,95). Ainda mais surpreendente o fato de que o
monitoramento estatstico das medidas de processo reconhecidamente importante e,
portanto, usualmente realizada nas plantas industriais.
Como as inferncias podem constituir um elemento de grande importncia nos
processos modernos, responsveis muitas vezes pela aceitao da qualidade do produto
e decisivas durante a tomada de deciso em que sistemas de controle avanado,
altamente recomendvel que o monitoramento rigoroso da qualidade dos modelos
inferenciais seja realizado, com base em ferramentas estatsticas.

CAPTULO III
MONITORAMENTO ESTATSTICO DE INFERNCIAS




Os mt odos so as verdadei ras ri quezas.

FRI EDRI CH NIETZSCHE





Este captulo trata da apresentao e da interpretao dos resultados relacionados
ao monitoramento estatstico de inferncias. A apresentao feita em trs etapas:
primeiramente feita uma discusso sobre o monitoramento estatstico de inferncias;
em seguida feito um estudo de caso, relacionado inferncia da T85% ASTM do
diesel produto; finalmente, apresentada uma proposta para abordagem metodolgica.





3.1 MONITORAMENTO ESTATSTICO DE INFERNCIAS


O desenvolvimento de mtodos para o monitoramento estatstico de processos
foca principalmente na incorporao de tcnicas que priorizam tomadas de aes e
correes a partir da anlise dados de medidas. A justificativa para tal consiste no fato
de que em condies normais de operao, as unidades industriais j possuem uma
16
estatstica conhecida para as variveis operacionais importantes. Todavia, algumas
propriedades cruciais para anlise do desempenho do processo no esto disponveis na
planta e/ou em tempo real, sendo necessrio o emprego de inferncias.

Como as inferncias so geralmente obtidas por meio de variveis medidas
disponveis com o auxlio de um modelo, a elaborao de estatsticas para
monitoramento das mesmas ainda pouco comum, o que torna sua confiabilidade
questionvel. So dois os fatores que podem comprometer a confiabilidade das
inferncias:
i. A acurcia das medidas das variveis operacionais.
ii. A fidedigna representao do processo.

O primeiro fator se refere ao fato de que os dados amostrados inerentemente
contm erros. Qualquer medida experimental apresenta algum desvio do valor
verdadeiro, devido preciso limitada dos instrumentos e presena de efeitos ou
fenmenos que foram desconsiderados ou que no so conhecidos (BOX et al., 1978);
como j foi discutido.

O segundo fator responsvel por contaminar as inferncias o fato de que a
descrio completa dos fenmenos envolvidos em um processo matematicamente
impossvel. Desta forma, todos os modelos podem ser considerados incorretos, embora
alguns sejam teis (BOX, 1979). De acordo com SCHWAAB (2007), os modelos so
representaes idealizadas de um processo, cuja tentativa de descrio detalhada pode
levar a estruturas altamente complexas, inviabilizando a sua aplicao prtica.

Um outro fator a ser considerado diz respeito s distribuies de probabilidade
das diferentes variveis medidas empregadas nas inferncias. Como os comportamentos
estatsticos das diferentes medidas podem ser muitos distintos, o comportamento
estatstico da inferncia pode ser bastante complexo. Neste contexto, em que as
inferncias podem ser contaminadas por fatores extremamente complexos, faz-se
imprescindvel o monitoramento em tempo real dos modelos inferenciais e dos valores
das variveis medidas. Essa tarefa deve ser realizada sob a luz de ferramentas
estatsticas, garantindo que aes de correo e de controle sejam tomadas somente
17
quando realmente forem necessrias. Nada parece ter sido proposto na literatura ainda
para realizar essa atividade de forma estatisticamente rigorosa.
3.2 ESTUDO DE CASO: INFERNCIA DA T85% ASTM DO DIESEL PRODUTO


A qualidade do diesel e de outros produtos destilados da indstria de petrleo
analisada de acordo com a norma desenvolvida pela ASTM (American Society for
Testing and Materials), intitulada Mtodos de Ensaio para Destilao de Produtos do
Petrleo (Test Method for Distillation of Petroleum Products), mais conhecida como
ASTM D 86. De acordo com esta norma, a T85% a principal especificao do diesel
produto.

A T85% corresponde temperatura em que 85% em volume so recolhidos na
destilao a presso atmosfrica de uma amostra do produto. Sabe-se que esta
temperatura bastante influenciada pelo teor de componentes pesados contidos na
amostra. Desta forma, supe-se que o diesel produto influencia bastante esta
especificao, por ser o componente mais denso do processo.

A Figura (3.1) apresenta o fluxograma simplificado da rota de destilao do
diesel produto (MIRANDA e LUSA, 2003).

Solventes
Forno
Torre
Pr-Flash
Petrleo
Solventes
Nafta
CD1 CD2
RAT
Diesel
Querosene
NaftaPesada
Torre
Atmosfrica
Fundo

Figura 3.1: Fluxograma simplificado do processo de destilao do diesel produto.
18

O diesel produto composto pela mistura das correntes de diesel e de querosene,
produzidos na torre atmosfrica CD2, e da corrente de fundo da unidade de solventes.

Embora a T85% seja uma propriedade-chave na definio do ponto timo
operacional da coluna atmosfrica, no h um analisador em linha que realize a sua
medio. A especificao desta propriedade restrita aos ensaios de laboratrio, com
perodos longos de amostragem (12 horas) e de anlise (3 horas). Desta forma, as
informaes, alm de serem infreqentes, so obtidas com considervel defasagem,
restringindo estratgias de controle e de otimizao do processo, podendo acarretar
graves prejuzos ao controle de qualidade do produto.

Para contornar esta situao, ZANIN (1993) desenvolveu um analisador virtual,
capaz de acompanhar a qualidade do diesel que produzido, mesmo na ausncia da
anlise de laboratrio.


3.2.1 O Modelo Inferencial

O modelo inferencial aqui descrito utilizado para estimar o ponto 85% da
curva de destilao ASTM D-86 do diesel produto (T85%) em linha. As inferncias so
calculadas por meio de uma estrutura emprica, que consiste em uma equao
simplificada derivada da curva tpica de destilao de uma coluna de destilao
atmosfrica. A estrutura utiliza como variveis de entrada as temperaturas e vazes das
bandejas de retiradas de produto da torre atmosfrica.

A inferncia implementada obtida por meio de um modelo emprico, de acordo
com a seguinte seqncia de clculos apresentados a seguir (ZANIN, 1993).

a) Clculo da temperatura 30% do diesel, a partir da temperatura da bandeja de retirada
do diesel:

30
( . )
d d d
T i T = +
d
b
(3.1)

19
onde T
d
a temperatura 30% do diesel, T
d
a temperatura da bandeja de retirada do
diesel e i
d
e b
d
so parmetros ajustados com dados de laboratrio.

b) Clculo da temperatura 30% do RAT (resduo atmosfrico) a partir da temperatura da
bandeja de retirada do RAT:

30
( . )
RAT RAT RAT RAT
T i T b = +
(3.2)

onde T
30RAT
a temperatura 30% do RAT, T
RAT
a temperatura da bandeja de retirada
do RAT e i
RAT
e b
RAT
so parmetros ajustados com dados de laboratrio.

c) Clculo da temperatura 85% do diesel a partir da temperatura 30% do RAT, da
temperatura 30% do diesel, da vazo de RAT e da vazo de diesel:

(0, 85 0, 30). /(0, 7. 0, 3. )
d d d RAT
V f f = + f
b +
b +
bias.
d

(3.3)

85 30 30 30
( ).
d RAT d d d
T T T V T = +
(3.4)

85 30 30 30
( ).
dF RAT d d d
T T T V T = +
(3.5)

onde T
85d
a temperatura 85% do diesel, f
RAT
a vazo volumtrica de retirada do
RAT, f
d
a vazo volumtrica de retirada do diesel, V
d
o volume correspondente do
diesel, T
85dF
a temperatura 85% final calculada do diesel e b o

O bias utilizado para corrigir a inferncia com um resultado de laboratrio e
calculado iterativamente na forma:

b
b b cor = +
(3.6)

85 85 b lab
cor T T =
(3.7)

onde Cor
b
o valor de correo do bias e T
85lab
a temperatura 85% do diesel produto
medida em laboratrio.

20
A inferncia recalculada a cada minuto com a Equao (3.5). Porm, a cada 12
horas, quando um novo resultado de laboratrio disponibilizado, um novo valor de
bias pode ser automaticamente recalculado com as Equaes (3.6) e (3.7). O modelo
inferencial da T85% empregado em linha utiliza 19 variveis de entrada medidas na
planta e 5 parmetros (i
d
, q
d
, i
RAT
, q
RAT
, b), sendo que um deles (o bias) atualizado em
tempo real.


3.2.2 O Problema do BIAS

Durante a operao do processo, a cada inferncia realizada feita uma
comparao com a ltima medida de laboratrio, que pode ter sido obtida 12 horas
antes, por exemplo. Se o resultado inferido em linha parecer confivel, a correo (bias)
da inferncia deve ser descartada; caso contrrio, o bias deve ser adicionado ao valor
inferido. importante ressaltar que esta deciso a respeito da confiabilidade da
inferncia feita apenas qualitativamente, considerando a experincia dos profissionais
da planta (neste caso, os operadores), sem o suporte de quaisquer ferramentas
matemticas e/ou estatsticas.

O acrscimo automtico do bias ao modelo pode ser muito questionado. Vrios
argumentos atestam que existe a possibilidade de que este acrscimo aumenta a
variabilidade do processo. QUELHAS e PINTO (2009) mostram de forma inequvoca
que o uso do bias pode afetar a estatstica do procedimento de inferncia, muito
significativamente, prejudicando o desempenho do inferidor. Em contrapartida, h
argumentos que defendem o emprego do bias como um elemento calibrador do modelo
e, portanto, como um meio de obter predies mais confiveis.



3.3 METODOLOGIA


As variveis de processo so medidas para monitoramento de desempenho e
implementao de procedimentos de otimizao e controle. Com os atuais avanos nos
21
sistemas de automao industrial, um grande nmero de variveis de processo
simultaneamente medida e armazenada, podendo as medidas ser facilmente acessadas,
facilitando o uso de eficientes estratgias de operao em tempo real.

importante ressaltar que os clculos de grandezas estatsticas esto sempre
vinculados distribuio de probabilidade admitida para descrever o comportamento
dos dados. A escolha mais comum consiste em admitir que os dados experimentais
seguem uma distribuio normal de probabilidades (SCHWAAB, 2007). Apesar de ser
difcil mostrar que um conjunto de dados ou no normalmente distribudo
(RATKOWSKY, 1990), esta hiptese geralmente razovel por causa das
caractersticas intrnsecas da distribuio normal (BARD, 1974):
i. Geralmente apresenta um comportamento prximo ao de muitas medidas
experimentais.
ii. Com o aumento do nmero de medidas, muitas distribuies aproximam-se
da distribuio normal.
iii. Definidas a mdia e a varincia de um conjunto de medidas e usando os
conceitos do clculo variacional, possvel mostrar que a distribuio normal
a que insere a menor quantidade de informaes extras ao problema.
iv. O tratamento matemtico fcil, permitindo a definio das distribuies t de
Student, 2 e F de Fisher, de fundamental importncia para o estabelecimento
de intervalos de confiana dos parmetros e para os testes da qualidade do
ajuste do modelo aos dados.

Deste modo, pode-se justificar o uso comum da distribuio normal para
representao de dados industriais, j que estes so obtidos por meio dos registros
histricos que contm centenas de variveis operacionais em grandes conjuntos
amostrais. Portanto, a maioria das abordagens estatsticas empregadas atualmente na
indstria baseia-se na hiptese de que as medidas seguem a distribuio Normal. De
acordo com CRAMER (1946), Todos acreditam na lei de distribuio Normal de
erros; os experimentalistas porque pensam que isto um teorema matemtico, e os
matemticos porque pensam que isto um fato experimental. Nesta dissertao,
admite-se que os dados apresentam uma distribuio Normal de probabilidades.

22
A realizao das anlises estatstica do processo, em particular da inferncia, foi
divida em trs etapas: caracterizao estatstica bsica, caracterizao dinmica e
caracterizao da predio. Na etapa de caracterizao estatstica bsica so
identificados os referenciais operacionais do processo. Para tal so empregadas mdias,
varincias, covarincias e correlaes.

J a etapa de caracterizao dinmica do processo busca a averiguao da
presena de dinmica no processo. Essa etapa importante porque modelos inferenciais
so usualmente projetados para trabalharem em condies estacionrias, embora estas
condies sejam raramente encontradas em plantas. Aqui so empregadas mdias e
varincias mveis, com seus respectivos intervalos de confiana, averiguao de
conformidade da mdia e da varincia, espectros de varincia e espectros de auto-
correlao.

Finalmente, na etapa de caracterizao da predio so realizadas as anlises
empregando a representao matemtica do processo (ou mais propriamente dito o
modelo inferencial), a fim de avaliar a sua confiabilidade.

A seguir ser descrita a seqncia lgica de etapas adotada para a realizao com
xito da anlise estatstica de uma inferncia. Assim, supe-se que esteja disponvel
certo conjunto de dados, contendo as variveis independentes e dependentes, sobre as
quais ser aplicado um modelo para a inferncia das variveis e posterior anlise destas
inferncias.


3.3.1 Inferncias

As inferncias so feitas por meio de avaliaes do modelo, para o qual so
fornecidos os valores dos parmetros u e das variveis de entrada x (independentes)
em um dado instante, sendo ento calculados os valores das variveis de sada y
(dependentes),

( , ) y f x u =


(3.8)
23

onde y o vetor de predio da varivel dependente, x o vetor de medidas da
varivel independente, u o vetor de valores dos parmetros e ( , ) f x u

a funo que
os relaciona. Do ponto de vista de aplicao, ( , ) f x u

o que caracteriza o processo


particular que est sendo analisado. Do ponto de vista de programao, ( , ) f x u

um
procedimento numrico que deve ser fornecido pelo usurio.


3.3.2 Resduos de inferncias

Os resduos da inferncia so os desvios observados entre os valores medidos e
os valores calculados pelo modelo para as variveis de sada y (dependentes), definido
como:

m c
ik ik ik
e y y = (3.9)

onde o resduo da varivel dependente i, e so, respectivamente, o valor
medido e o valor calculado da varivel dependente i e k o instante de amostragem.
ik
e
m
ik
y
c
ik
y


3.3.3 Caracterizao Bsica

Esta etapa dedicada definio estatstica do processo. Para tal, so realizados
os clculos das mdias e das matrizes de covarincia e de correlao. O objetivo destas
anlises determinar os referenciais estatsticos da operao do processo.

A mdia de cada varivel z
i
(z pode ser tanto uma varivel independente x como
uma varivel dependente y) calculada pela seguinte equao (SCHWAAB e PINTO,
2007):

1
N
ik
k
i
z
z
N
=
=
_

(3.10)
24

onde z
ik
a varivel i no instante k,
i
z o valor mdio da varivel i e N o nmero de
mostragens disponveis para a varivel no intervalo considerado.

io,
so calculadas as matrizes de covarincia e de correlao, conforme definido abaixo:

(3.11)
a matriz de covarincias e cada termo calculado por meio da seguinte
quao:

i
z a
Para caracterizar a variabilidade do conjunto de dados em torno do valor md
2 2 2
11 12 1
2 2 2
21 22 2
2 2 2
1 2
M
M
M M MM
v v v
v v v
v v v
(
(
(
=
(
(
(

V
"
"
# # % #
"


onde V
ij
v
e
( )( )
2 1
1
N
ik i jk j
k
ij
z z z z
v
N
=

=

_

(3.12)
nto, o desvio-padro pode ser calculado pela seguinte equao:


E
( )
1
1
N
ik i
k
ii
z z
N
o
=

_

(3.13)

matriz de correlaes definida como:

(3.14)
a matriz de correlao e cada termo calculado por meio da seguinte
quao:

A
2 2 2
11 12 1
2 2 2
21 22 2
2 2 2
1 2
M
M
M M MM
r r r
r r r
r r r
(
(
(
=
(
(
(

R
"
"
# # % #
"


onde R
ij
r
e
2
2
2 2
ij
ij
ii jj
v
r
v v
=
(3.15)
25

or meio das Equaes (3.8) a (3.15), substituindo-se as variveis z pelos
resduos e.
o, fornecendo
portantes informaes de entrada de vrios procedimentos numricos.
.3.4 Caracterizao Dinmica

tervalos de confiana. Calculam-se ainda os espectros de
ovarincia e de correlao.

tanto como os dados reais.
A seguinte equao apresenta o clculo das mdias mveis,

As mdias e as matrizes de covarincia e de correlao dos resduos podem ser
calculadas p

As mdias e as varincias so utilizadas para caracterizao de desempenho dos
modelos de inferncia em vrios momentos, a depender dos procedimentos particulares
considerados. Particularmente, estas grandezas so fundamentais para caracterizao de
natureza estatstica dos dados utilizados para fins de monitorament
im


3
Esta etapa de caracterizao tem como objetivo principal a investigao da
presena de dinmica no processo. Desta forma, so calculadas mdias e varincias
mveis, e seus respectivos in
c
As mdias mveis podem ser usadas para acompanhar os dados do processo
como flutuaes filtradas devido ao fato destas no oscilarem
,
,
1
1
i
i j
k j
k i TJ
zm z
TJ
= +
=
_

(3.16)
o tamanho da
nela e

onde j indica a varivel, i indica o instante de amostragem superior, TJ
, i j zm ja representa a mdia mvel da varivel na janela mvel i.

ncia da mdia mvel TJ vezes menor que a varincia da medida de um
dado isolado.
i
z
importante lembrar que o tamanho da janela (TJ) tem uma relao
proporcional aos valores das flutuaes; ou seja, quanto maior o valor de TJ usado para
o clculo das mdias mveis, mais amenizadas ficam as flutuaes do processo, uma
vez que, a vari
26
O clculo das varincias mveis uma ferramenta importante para identificao
de estados estacionrios e transientes de processo. Calculadas as varincias mveis, o
conjunto de dados que apresenta a menor varincia em geral o melhor candidato do
perodo analisado para identificao da operao estacionria do processo.

As varincias mveis so calculadas por meio da equao

( )
2
2
,
, ,
1
1
1
i
i j
i j k j
k i TJ
vm z zm
TJ
= +
=

_

(3.17)

onde j indica a varivel, i indica instantes de amostragem, TJ o tamanho da janela,
, i j
zm representa a mdia mvel calculada para a varivel j na janela mvel i, z so as
variveis e vm
i,j
2
representa a varincia mvel da varivel j na janela de amostragem.

Para o clculo dessas grandezas estatsticas, mdia e varincia mveis, as janelas
mveis so deslocadas de uma em uma durante a medida, de forma que, para um
nmero total de amostras igual a Npt, o nmero de janelas NJ para um tamanho de
janela de TJ igual a Npt-TJ+1.

importante salientar que mdias e varincias mveis no devem ser utilizadas
de forma indiscriminada, sem que se faa uma anlise detalhada dos dados e das
condies de operao, j que as mdias e varincias mveis eliminam artificialmente
efeitos dinmicos dos conjuntos de dados amostrados. Portanto, o uso das mdias e
varincias mveis recomendado principalmente quando em que o usurio pode
garantir que o processo operava de forma estvel, em condies prximas da condio
estacionria.

O intervalo de confiana das mdias e das varincias mveis fornece uma
informao muito importante a respeito da confiabilidade destas medidas. O intervalo
de confiana diz respeito ao quo prximo estas grandezas estatsticas esto dos seus
valores amostrados. Quando o intervalo de confiana obtido largo, muitos outros
valores tambm distintos dos valores medidos podem ser considerados aceitveis; logo,
sua confiabilidade baixa. Porm, quando o intervalo de confiana obtido estreito, os
valores admissveis so prximos dos valores medidos; logo, sua confiabilidade alta.
27
A definio do intervalo de confiana das mdias mveis faz uso da distribuio
estatstica t de Student (SCHWAAB e PINTO, 2007). O clculo do intervalo de
confiana da mdia consiste em definir quais so os valores mximo e mnimo possveis
para a mdia de cada janela mvel empregando a distribuio t, de acordo com o
nmero de amostras e o nvel de confiana desejado.

As seguintes equaes so empregadas para o clculo dos limites inferior e
superior da mdia,

2
,
, ,m n ,
1,1 2
i j
i j i j
TJ
vm
zm zm t
TJ
o +
=
(3.18)

2
,
, ,m ,
1,1 2
i j
i j x i j
TJ
vm
zm zm t
TJ
o +
= +
(3.19)

onde t
n,p
representa a distribuio t de Student com n graus de liberdade e probabilidade
p. As demais variveis foram definidas anteriormente.

J a definio do intervalo de confiana das varincias mveis emprega a
distribuio estatstica _
2
(SCHWAAB e PINTO, 2007). O clculo do intervalo de
confiana da varincia consiste em definir quais so os valores mximo e mnimo
possveis para a varincia de cada janela mvel empregando a distribuio _
2
, dado um
conjunto de pontos, de acordo com o nmero de amostras e o nvel de confiana
esperado.

As equaes a seguir so empregadas para o clculo dos limites inferior e
superior da varincia,

2
2
,
, ,m n
2
1,1 2
( 1).
i j
i j
TJ
vm
vm TJ
o +
=
_
(3.20)

2
2
,
, ,m
2
1, 2
( 1).
i j
i j x
TJ
vm
vm TJ
o
=
_
(3.21)

28
onde _
2
n,p
representa a distribuio _
2
com n graus de liberdade e probabilidade p. As
demais variveis foram definidas anteriormente.

importante lembrar que as comparaes de intervalos de confiana, tanto para
a mdia quanto para a varincia, requerem dados (e, portanto, janelas mveis)
independentes. Neste caso, as janelas mveis devem ser deslocadas de uma em uma
janela durante a medida, de forma que, para um nmero total de amostras igual a Npt, o
nmero de janelas NJ mveis independentes para um tamanho de janela de TJ igual a
Npt/TJ.

Referentes anlise de mdia e de varincias mveis h ainda a anlise
conformidade destas. A anlise de conformidade (ou anlise comparativa) consiste em
realizar comparaes entre grandezas estatsticas de um mesmo tipo (mdia com mdias
e varincia com varincias) janela a janela, ao longo do perodo de amostragem, para
verificar se estas podem ser consideradas similares entre si ou no.

Quando a grandeza estatstica a ser julgada a mdia, utiliza-se para o clculo
da conformidade desta a distribuio t de Student. Quando se trata da varincia
emprega-se a distribuio F de Fisher. Se o processo opera em estado estacionrio, estas
grandezas devem apresentar uma similaridade entre si; ou seja, a mdia da primeira
janela mvel deve ser considerada igual mdia das demais janelas e a varincia da
primeira janela deve ser considerada igual varincia das demais janelas, ao longo de
todo o perodo amostral. importante ressaltar que possvel obter resultados de
conformidade positivos para uma grandeza e negativos para outra, dentro de um mesmo
perodo amostral de operao. Este resultado possvel porque mdia e varincia
avaliam caracterstica distintas da distribuio de dados: o ponto central da oscilao e a
magnitude de oscilao.

A seguinte equao pode ser usada para calcular a conformidade da mdia,

2 2
, , 1
, , 1
1,1 2 1,1 2
i j i j
i j i j
TJ TJ
s s
zm zm t t
TJ TJ
o o
+
+
+ +
> +
(3.22)

29
onde as variveis j forma definidas anteriormente. Se a desigualdade for satisfeita, diz-
se que as mdias so distintas com grau de confianao . Caso contrrio, as mdias so
ditas estatisticamente equivalentes.

A seguinte equao pode ser usada para clculo da conformidade da varincia,

2
,
1, 1, 2 1, 1,1 2 2
, 1
i j
TJ TJ TJ TJ
i j
vm
F F
vm
o o +
+
> > (3.23)

onde F
n,m,p
representa a distribuio F de Fisher, com graus de liberdade n e m para os
dois conjuntos de dados e probabilidade p. Se as desigualdades acima forem satisfeitas,
diz-se que as varincias so estatisticamente equivalentes; caso contrrio, diz-se que as
varincias so distintas com grau de confiana p.

No tocante a anlise da variabilidade do processo, uma outra ferramenta
importante o clculo do espectro de varincia. Os espectros de varincia consistem no
clculo de varincias ao longo de todo um horizonte de amostragens, considerando
intervalos independentes dos dados usados para o clculo das varincias. Portanto,
semelhante anlise anterior (conformidade de mdias e de varincias), esta anlise
tambm utiliza a estratgia de janelas mveis independentes.

Para cada janela i a varincia calculada por meio das equaes,

( )
( )
2
2
, ,
1 1
1
1
i TJ
i j k j i j
k i TJ
v z
TJ

= +
=

_ ,
z

(3.24)

( )
, ,
1 1
1
i TJ
i j k j
k i TJ
z z
TJ

= +
=
_

(3.25)

onde as variveis so como definidas anteriormente. Uma vez calculadas as varincias
nas NJ janelas independentes, pode ser calculada a mdia das varincias calculadas em
cada janela i com tamanho TJ, de acordo com a seguinte equao:

30
2 2
, ,
1
1
=
=
_
NJ
TJ j i j
i
v v
NJ

(3.26)

A grandeza
2
, TJ j
v representa a varincia dos dados ao longo de todo o perodo
considerado com Npt-NJ graus de liberdade. Obtm-se o espectro de varincias quando
TJ variado, sendo as varincias obtidas como funo do tamanho da janela.

Os espectros de varincia so teis para dizer se os dados so uniformes no
tempo (varincias essencialmente constantes) ou no. Quando as varincias so
uniformes, conclui-se que os dados analisados no experimentaram qualquer dinmica;
caso contrrio, as varincias tendem a aumentar com o tamanho da janela mvel (por
incorporarem a dinmica do processo). Neste caso, a varincia mnima pode ser
associada varincia tpica da medio, enquanto a varincia mxima pode ser
associada varincia da operao do processo como um todo. Desta forma, o espectro
de varincias pode constituir uma importante ferramenta de anlise de dados.

Os espectros de correlao consistem no clculo de coeficientes de correlao
quando uma das variveis deslocada no tempo, mantendo-se a outra varivel fixa. Esta
ferramenta estatstica possibilita o acompanhamento de como uma varivel influencia a
outra com o passar do tempo, permitindo a identificao das constantes de tempo tpicas
do processo (quando ainda h correlao significante, apesar dos deslocamentos) e de
constantes de atraso (quando a mxima correlao entre duas variveis obtida para
deslocamentos diferentes de zero). Quando o espectro de correlao calculado para
uma varivel deslocada no tempo com relao a ela mesma, ento chamado espectro de
auto-correlao, o resultado pode ser usado para identificao do tempo normalmente
requerido para que seja atingido um estado estacionrio; ou seja, o tempo requerido para
que as mudanas tenham carter aleatrio e no carter dinmico. Diz-se que h
dinmica, quando a correlao de dados deslocados no tempo para uma mesma varivel
significativa.

Do ponto de vista do algoritmo, deve-se primeiramente ser calculado o nmero
de deslocamentos que podem ser realizados. Este valor definido como o menor valor
entre 15 (definido de forma heurstica como o valor mnimo para que a anlise possa ser
efetuada com segurana) e 2/3 de Npt (definido de forma heurstica para evitar um
31
deslocamento excessivo, quando o nmero de dados pequeno). O menor destes dois
valores chamado de Nmax. Em seguida, varia-se k de 0 at Nmax, para um certo par de
variveis i e j, obtendo-se o espectro de correlaes ou auto-correlaes. Em seguida,
so calculadas as mdias para a varivel i e para a varivel j nos intervalos
considerados, sendo que apenas a varivel j deslocada no tempo,

0, ,
1
1

=
=

_
Npt k
k i n i
n
z z
Npt k
(3.27)

, ,
1
1
+
= +
=

_
Npt
k j n j
n k
z z
Npt k
(3.28)

onde as variveis foram definidas anteriormente. Deve-se perceber que necessrio
reduzir o conjunto de dados de Npt para Npt-k pontos, para manter a coerncia da
anlise.

As seguintes equaes podem ser usadas para calcular para as varincias e as
covarincias, nos intervalos considerados.

( )
2
2
0, , 0,
1
1
1
Npt k
k ii n i k i
n
v z
Npt k

=
=

_
z (3.29)

( )
2
2
, ,
1
1
1
Npt
k jj n j k j
n k
v z
Npt k
+ +
= +
=

_ ,
z (3.30)

( )( )
2
, , , 0, , ,
1
1
1
Npt k
k i j n i k i n k j k j
n
cov z z z z
Npt k

+ +
=
=

_
(3.31)

A correlao com um deslocamento k para as variveis i e j ento calculada
pela seguinte equao:

2
, ,
, ,
2 2
0, ,

+
=
k i j
k i j
k ii k jj
cov
v v

(3.32)

32
Todas estas anlises pertinentes etapa de caracterizao estatstica dinmica
tambm so calculadas para os resduos, substituindo as variveis z pelos resduos e.
Desta forma, possvel identificar se o desempenho do modelo uniforme ou se varia
ao longo do tempo.


3.3.5 Caracterizao da Predio

A caracterizao da predio realizada empregando exclusivamente os
resduos da inferncia. As ferramentas estatsticas utilizadas nesta etapa avaliam
diretamente a qualidade da inferncia com relao ao modelo inferencial. A princpio,
so realizados testes estatsticos para avaliao do modelo inferencial. Os testes
empregados so: o teste-t, o teste-F e o teste-_
2
.

Foi realizada uma padronizao dos resultados dos testes apresentados nesta
etapa, empregando-se ndices e atribuindo a estes significados estatsticos especficos
para cada teste. Desta forma, convencionou-se que os ndices empregados podem
assumir os valores -1, 0 e +1. O objetivo desses ndices apresentar os resultados de
forma mais simples e clara, de modo que decises e aes de correo possam ser
tomadas em tempo real por profissionais que no necessariamente entendam
extensivamente de estatsticas de processos.

O teste-t usado para anlise da mdia dos desvios dos resduos, verificando se
existem desvios significativos em relao ao valor zero. O valor 0 indica que no h
desvios significativos, o valor -1 indica que h um desvio negativo significativo e o
valor +1 indica que h um desvio positivo significativo. Quando detectado um desvio
significativo, a ao que pode vir a ser tomada a aplicao de um bias para deslocar
toda a inferncia, de modo a eliminar o efeito deste desvio significativo.

Este teste consiste em verificar se a seguinte desigualdade satisfeita,

2
1,1 2
ii
i N
s
e t
N
o
s
(3.33)

33
onde as variveis forma definidas anteriormente.

O teste F usado para a comparao de duas varincias; isto , mostrar se duas
varincias independentes so significativamente diferentes entre si. Para este teste
utilizada a funo de distribuio de probabilidade F de Fisher. Neste caso, o teste
usado para comparar a varincia dos resduos com a varincia das medidas. Este teste
avalia se os desvios entre o modelo e os dados amostrados so significativamente
maiores que os desvios experimentais, indicando que o modelo pode no ser adequado.
Tambm avaliado se os desvios observados entre o modelo e os dados amostrados so
significativamente menores que os desvios experimentais, indicando que o modelo pode
estar super parametrizado. Como este teste realizado nas varincias dos resduos de
cada varivel, possvel observar o desempenho do modelo com relao a cada uma das
respostas do modelo. Se os desvios do modelo apresentam varincia superior dos
dados experimentais, o modelo pode e deve ser aprimorado. Se os desvios do modelo
apresentam varincia inferior dos dados experimentais, o modelo pode e deve ser
simplificado. Nesse teste, o ndice 0 indica que as varincias dos resduos e das medidas
so similares. O ndice -1 indica que a varincia dos resduos significativamente
menor que as varincias da amostragem, indicando uma super parametrizao do
modelo ou que as varincias da amostragem esto sendo influenciadas pela dinmica do
sistema. J o ndice +1 indica que a varincia do resduo significativamente maior que
as varincias da amostragem, indicando que a inferncia oscila mais que os dados
amostrado, mostrando uma incapacidade do modelo em representar os dados.

O teste F consiste em verificar se a seguinte desigualdade satisfeita,

2
2 1
1, 1 1, 1 2
ii
N N N N
ii
S
F F
v
o o

s s
2

(3.34)

onde e so respectivamente as varincias dos resduos e dos dados medidos da
varivel i, e as demais variveis j foram definidas. O limite inferior usado quando
< e o limite superior usado quando > .
2
ii
S
2
ii
v
2
ii
S
2
ii
v
2
ii
S
2
ii
v
O teste-_
2
empregado para verificar o desempenho global do modelo,
considerando todas as respostas do modelo no conjunto. Novamente, possvel verificar
34
se o modelo no adequado ou se existe alguma super parametrizao do mesmo, de
forma similar ao teste anterior. Neste teste, todas as variveis da inferncia so
consideradas e, assim, o modelo como um todo avaliado. Quando a resposta deste
teste igual a 0, o desempenho do modelo est adequado aos dados operacionais. O
ndice -1 indica que a qualidade do modelo muito alta; ou seja, pode indicar modelo
super parametrizado ou varincias amostrais muito grandes e mal avaliadas. Mas se o
resultado do teste assume ndice +1, a qualidade da inferncia est provavelmente muito
baixa, sendo necessria a reestimao dos parmetros do modelo ou um aprimoramento
do modelo visado.

definida a soma ponderada dos resduos,

1
1
N
T
k k
k
SR

=
=
_ y
e V e
(3.35)

onde e um vetor com dimenso NY contendo os resduos no tempo atual de medio e
V
y
a matriz de covarincia dos experimentos. Admitindo-se que os resduos sejam
variveis com distribuio normal, a varivel SR pode ser interpretada como uma
varivel com distribuio _
2
com NY graus de liberdade. O seguinte teste pode ento ser
formulado para verificar a significncia do valor de SR:

2 2
, 2 ,1 2 NY NY
SR
o o
_ _

s s
(3.36)

O ideal que o valor de SR esteja compreendido no intervalo dado pela Equao
(3.36). Se o limite superior ultrapassado, o valor de SR alto demais e indica uma
predio ruim do modelo. Se o limite inferior ultrapassado, o valor de SR pequeno
demais; ou seja, o ajuste est bom demais e indica que o modelo pode estar super
parametrizado.

Tambm so calculadas as matrizes de sensibilidade do modelo, que
correspondem s derivadas primeiras do modelo, em relao aos parmetros e s
variveis independentes. A matriz de sensibilidade com relao aos parmetros
definida como,

35
1, 1, 1,
1 2
2, 2, 2,
, 1 2
, ,
1 2
k k
P
k k
k P
NY k NY k NY k
P
y y y
y y y
y y y
u u u
u u u
u u u
c c c (
(
c c c
(
(
c c c
(
= c c c
(
(
(
c c c
(
(
c c c

B
"
"
# # % #
"
,
k
k

(3.37)

onde a matriz de sensibilidade com relao aos parmetros u no instante k.
,k
B

J a matriz de sensibilidade com relao s variveis independentes definida
como,

1, 1, 1,
1, 2, ,
2, 2, 2,
1, 2, , ,
, ,
1, 2, ,
k k
k k NX
k k
k k NX k
NY k NY k NY k
k k NX
y y y
x x x
y y y
x x x
y y y
x x x
c c c (
(
c c c
(
(
c c c
(
c c c =
(
(
(
( c c c
(
c c c

x
B
"
"
# # % #
"
,
k
k
k
k
k

(3.38)

onde a matriz de sensibilidade com relao s variveis independente x no
instante k.
,k x
B

O clculo de cada uma das derivadas acima feito por diferenas finitas centrais,
como definido nas equaes abaixo,

( ) ( )
, ,
,
2
i k j j i k j j
i k
j j
y y
y
u ou u ou
u ou
+
c
=
c
(3.39)

( ) ( )
, , , , , ,
,
, ,
2
i k j k j k i k j k j k
i k
j k j k
y x x y x x
y
x x
o o
o
+
c
=
c
(3.40)

onde o um nmero pequeno, e corresponde ao valor da perturbao relativa que feita
para o clculo das derivadas.
36

Para caracterizar a qualidade dos valores preditos, calculada a matriz de
covarincia de predio (BARD, 1974). Esta matriz pode ser calculada a cada
instante k, levando-se em considerao a matriz de covarincia dos parmetros , a
matriz de covarincia experimental das variveis independentes e a matriz de
covarincia experimental das variveis dependentes , como mostra a equao
abaixo,
,

k y
V

V
,k x
V
,k y
V

, , , , , ,

T T
k k k k k k
= + +
y x x x y
V B V B B V B V
,k
(3.41)

onde e so as matrizes de sensibilidade definidas nas Equaes (3.37) e
(3.38), respectivamente. A matriz de covarincia dos parmetros obtida durante o
procedimento de regresso do modelo (estimao de parmetros e/ou reconciliao de
dados) e deve ser considerada como um dado de entrada do problema. Eventualmente,
esse dado pode ser gerado em linha e em tempo real, se uma estratgia adaptativa for
utilizada.
,k
B
,k x
B

V

Esta anlise tambm realizada para identificao dos elementos que
concentram os erros e para identificao das medidas que mais influenciam os erros de
predio. Para tal, a varincia de predio calculada sem o efeito de uma determinada
varivel, fazendo com que na matriz V
x
a linha j e a coluna j correspondente a uma
varivel x
j
sejam zeradas. Assim, a componente da varincia de predio
correspondente varivel x
j
anulada. As varincias de predio com e sem uma
determinada varivel podem ser comparadas atravs do teste F. Se as varincias forem
significativamente diferentes, pode-se dizer que a varivel x
j
tem um efeito dominante
no erro de predio. Essa informao pode ser preciosa para a interpretao dos
resultados obtidos com um modelo, sugerindo que medidas devam ser melhoradas na
unidade real de produo. O mesmo procedimento realizado para os parmetros, a fim
de verificar a influncia destes elementos no erro de predio.

Para esta anlise de averiguao de influncia das variveis no erro de predio,
os resultados tambm so expressos em ndices. Se for obtido ndice +1, a varivel e/ou
37
parmetro cuja varincia anulada exerce um efeito dominante no erro de predio; se o
ndice for 0, a varincia no influncia significativamente o erro de predio. O ndice -
1 no deve ser obtido, j que quando se retira o efeito de um certo experimento, espera-
se que a varincia diminua. No entanto, quando as correlaes so fortes, a remoo de
um parmetro pode levar ao aumento dos erros de predio, como demonstrado a
seguir.

Seja o modelo,

| |
1
x
y a x b a b
(
= + =
(


(3.42)

onde a e b so parmetros que devem ser estimados com o conjunto de dados
experimentais.

1
2

e
e
e
n
x
x
x
x
(
(
(
= (
(
(
(

#

(3.43)

1
2

e
e
e
n
y
y
y
y
(
(
(
= (
(
(
(

#

(3.44)

Se a tcnica de mnimos quadrados usada para estimar os parmetros, ento,
( ) ( )
( )
( )
( )
1
2
1 1 1
1 1


n n n
e e e
i i i
i i i
n n
e e
i i
i i
e
i
x x y
a
b
x n y

= = =
= =
(
(
( (
=
( (

(
(

_ _ _
_ _
x
(
(
(
(
(
(

(3.45)

38
( ) ( )
( )
1
2
2 2
1 1
2 2
1

n n
e e
i i
i i a ab
n
e ab b
i
i
x x
x n
o o
o o

= =
=
(
(
(
(
( = =
(
(
(

(

_ _
_

V (3.46)

onde a matriz de covarincias dos parmetros. Portanto, a varincia de predio
(negligenciados os possveis erros experimentais de medida) da varivel calculada a
partir da Equao (3.42) pode ser escrita na forma,

V

| | | |
( ) ( )
( )
1
2
1 1 2
1
1 1
1 1
n n
e e
i i
i i
y
n
e
i
i
x x
x x
x x
x n
o

= =
=
(
(
( ( (
= =
( ( (

(
(

_ _
_

V (3.47)

| | | |
| |
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
2 2
2
2 2
1
2 2
2 2
1 1 1 1
2
1 1
2
2 2
1 1 1 1
1 1
1 1

1

a ab
y
ab b
n
e
i
i
n n n n
e e e e
i i i i
i i i i
n n
e e
i i
i i
n n n n
e e e e
i i i i
i i i i
x x
x x
x
n
n x x n x x
x
x x
n x x n x x
o o
o
o o
=
= = = =
= =
= = = =
(
( (
( = = =
( (
(

( (

( (
( (

(
(
(

_
_ _ _ _
_ _
_ _ _ _

V
2
1
x
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(


(3.48)

ou ainda,

2 2 2 2
2
y a ab
x x
2
b
o o o = + + o (3.49)

Deseja-se saber se a remoo de uma fonte de variabilidade (por exemplo, um
dos parmetros a ou b) pode resultar em aumento da variabilidade. Em outras palavras,
pergunta-se se:
39

2 2 2 2 2 2
2 2
2
2
2
2 0

2
y a ab b
ab b
b
ab
x x x
x
x
2
a
o o o o
o o
o
o
= + + s
+ s
s
o

(3.50)

ou ainda se:

2 2 2 2 2 2
2 2 2
2
2
2
2 0
2
0
y a ab b
a ab
ab
a
x x
x x
x
b
o o o o
o o
o
o
= + + s
+ s
s s
o

(3.51)

As Equaes (3.50) e (3.51) mostram de forma inequvoca que a remoo de
fontes de variabilidade pode de fato resultar em aumento dos erros de predio. Para
isso, necessrio que as covarincias entre as fontes de variabilidade do problema
sejam no nulas. Como mostrado nas Equaes (3.45) a (3.51), isso depende
fundamentalmente das condies experimentais usadas para estimar os parmetros e das
condies experimentais usadas para fazer as previses com o modelo do processo.

Tambm so realizadas anlises que permitem a avaliao do desempenho e a
comparao quando vrios modelos inferenciais para realizao de uma mesma
inferncia so disponveis. Este procedimento geralmente conhecido como
discriminao de modelos.

As probabilidades absolutas de cada modelo so obtidas com base na
distribuio _
2
, utilizando a soma dos desvios entre os dados medidos e os dados
inferidos, ponderados pela varincia de medio de cada varivel. Admitindo-se que
estes desvios so normalmente distribudos, esta soma ponderada tem distribuio _
2

para um certo nmero de graus de liberdade, que tem valor mdio igual ao nmero de
graus de liberdade do modelo inferencial. Deve ser observado que, quando so
estimados NP parmetros a partir do conjunto de dados, o nmero de graus de liberdade
40
equivale ao nmero de variveis independentes multiplicado ao nmero de
experimentos subtraindo o nmero de parmetros do modelo (NY.NE NP).

definida a soma ponderada dos desvios entre os dados medidos e os dados
inferidos como dado pela Equao (3.35). O clculo da probabilidade absoluta do
modelo feito admitindo-se que a probabilidade de que um modelo represente
adequadamente um conjunto de dados igual probabilidade de encontrar uma soma
ponderada (representada na distribuio chi-quadrado) maior do que a obtida com o
modelo (SCHWAAB et al., 2008). Assim, por meio da definio da probabilidade da
soma ponderada SR (Equao (3.35)), possvel escrever,

2
,
1
abs m
P p
u
_ SR ( s


(3.52)

onde _
2
representa a distribuio chi-quadrado com u = NY.NE graus de liberdade.

Com o valor calculado da probabilidade absoluta do modelo, possvel
comparar esta probabilidade absoluta com o nvel de confiana o (por exemplo, 0,95)
exigido para as inferncias. Se a probabilidade menor que o nvel de confiana exigido
(por exemplo, 0, 02 1 1 0, 95 0, 05 o < = =
0, 95
), existe uma indicao de
que o modelo incapaz de apresentar o desempenho exigido pelo analista, indicando
problemas na sua formulao ou a existncia de varincias de processo subestimadas.
Caso a probabilidade seja maior que o nvel de confiana exigido (por exemplo,
0,97 o > = ), o desempenho do modelo pode ser considerado exageradamente
bom, de maneira que possvel que o modelo esteja super-parametrizado ou que as
varincias estejam superestimadas. Deve ser enfatizado que os clculos e as concluses
obtidas dependem da definio adequada das varincias de medio; ou seja, da
varincia experimental.

Finalmente realizado o teste para a deteco de erros grosseiros. A anlise de
erros grosseiros utilizada para identificar dados experimentais ruins, que podem ter
sido corrompidos por m medio ou por falha de instrumentao. Tambm pode ser
utilizada para identificar problemas no procedimento de anlise, como a definio de
41
varincias muito pequenas, onde um nmero muito grande de erros grosseiros pode ser
artificialmente encontrado.

Este teste admite que os resduos tenham distribuio normal e que, assim, seja
possvel determinar um intervalo de confiana para avaliar se um determinado resduo
corresponde ou no a um erro grosseiro. Novamente, foi definido que os resultados
deste teste podem assumir ndices iguais a 0 se o ponto no erro grosseiro, -1 se o
ponto um erro grosseiro negativo e +1 se o ponto um erro grosseiro positivo.
Calcula-se tambm o nmero de erros grosseiros observados no conjunto de dados
analisados.

O teste descrito pela seguinte desigualdade,

2
, 1

k i ii
e v N
2 o
s (3.53)

onde N
1-o/2
o valor da distribuio normal com mdia zero e varincia 1, definindo um
intervalo com um nvel de confiana de o.

Quando a desigualdade expressa pela Equao (3.53) no satisfeita, existe um
forte indcio de que o ponto experimental seja um erro grosseiro. Entretanto, a prpria
hiptese de distribuio normal dos resduos j contempla a possibilidade da existncia
de erros grosseiros; isto , como o intervalo de confiana corresponde a uma
porcentagem de (1-o) 100% de todos os dados, existe a probabilidade mdia de uma
frao o dos dados no estarem no intervalo definido pela Equao (3.53). Desta forma,
preciso identificar qual o nmero mximo de erros grosseiros que podem ocorrer.
Para tal procedimento estatstico, emprega-se a distribuio Binomial com uma
probabilidade de o.100% do ponto ser um erro grosseiro (SCHWAAB e PINTO, 2007).

A distribuio Binomial considerada uma poderosa ferramenta para fins de
controle de qualidade e anlise de dados. Por se tratar de uma distribuio discreta,
univariada e bi paramtrica, sendo possvel apenas 2 resultados, esta distribuio vem
sendo usada para identificar padres de formao entre pontos experimentais obtidos
diretamente do processo.
42

O teste consiste em calcular a probabilidade acumulada para que o nmero de
erros grosseiros encontrados seja superior a (1-p), sendo a probabilidade Binomial
calculada de acordo com a seguinte equao:

( )
( )
( )
0
!
; , 1
! !
NO
n
N n
AC
n
N
P NO N
n N n
o o o

=
=

_

(3.54)

Observe que o a probabilidade do ponto amostral ser considerado
estatisticamente um erro grosseiro, em concordncia com a Equao (3.53), e P
AC
a
probabilidade acumulada que define a probabilidade de que at NO erros grosseiros
sejam encontrados no conjunto de pontos N. Se 1
2 2
AC
P
o o
< < diz-se que o nmero de
erros grosseiros encontrados compatvel com o valor esperado, de maneira que no
parece ser apropriada a remoo destes pontos do conjunto de dados. Se 1
2
AC
P
o
> ,
pode-se dizer que o modelo apresenta desempenho incompatvel como as estatsticas de
processo, porque muitos erros grosseiros estaro presentes.



3.4 IMPLEMENTAO


Todas estas anlises e ferramentas estatsticas empregadas para avaliao de
inferncias constituem um bloco de rotinas, programado em FORTRAN 90 e
implementadas em um computador pessoal cujas especificaes principais so:
processador AMD Athlon X2 Dual Core 6000+, 2,0 GB de memria RAM, placa me
ASUS M2A-MVP e placa de vdeo ATI Radeon HD 3600. O tempo de clculo destes
procedimentos estatsticos pequeno e no limita a implementao em tempo real do
aplicativo.
43

CAPTULO IV
RESULTADOS




Uma respost a aproxi mada da quest o cert a
mai s val i osa do que uma respost a cert a de
um probl ema aproxi mado.

JOHN TUKEY





Este captulo trata a apresentao e a interpretao dos resultados relacionados
ao monitoramento estatstico de inferncias. Faz-se inicialmente a apresentao dos
dados operacionais. Em seguida os dados so caracterizados e feita a anlise do
desempenho do modelo inferencial.





4.1 DADOS OPERACIONAIS


Nos modernos processos industriais, fortemente suportados em tecnologias de
informao e automao industrial, um grande nmero de variveis de processo pode
ser simultaneamente medidas, armazenadas e facilmente acessadas, facilitando o uso de
eficientes estratgias de operao em tempo real. Sabe-se que a disponibilidade de
44
informaes um requisito essencial operao satisfatria do processo, sendo o uso
dessas tecnologias um diferencial de competitividade para qualquer setor industrial
(FELDMAN, 2007). Todavia, os benefcios e as vantagens deste moderno cenrio
industrial esto diretamente vinculados utilizao da informao. Portanto, alm da
informao disponvel, deve haver o bom uso desta informao (AMY, 1992; BOYER,
1999; FELDMAN, 2007).

Os estudos envolvendo unidades industriais so convenientes, no s pela
disponibilidade de dados operacionais, mas pela relevncia dos resultados obtidos; isto
porque, neste caso a validao pode ter uma aplicabilidade imediata e efetiva. Portanto,
pode-se dizer que os sistemas reais consolidam, em ltima escala, a validao de um
estudo.

Neste estudo, a estrutura para monitoramento e avaliao de inferncias foi
aplicada ao processo de produo de diesel, com o objetivo de validar a abordagem
proposta. Assim, foram empregados dados operacionais de uma indstria brasileira de
refino do perodo de janeiro do ano 2008. Cada ponto de amostragem foi obtido
diretamente do SDCD (Sistema Digital de Controle Distribudo), com intervalo de
amostragem de 5 minutos. O conjunto de dados operacionais selecionados est em torno
de 4032 medidas, que equivalem aproximadamente metade de um ms de produo.
Todavia, como os resultados das anlises de laboratrio para T85% so obtidas a cada
12 horas, o conjunto de pontos analticos composto por aproximadamente 31 medidas.

importante ressaltar que os dados operacionais analisados no decorrer deste
estudo foram coletados de um perodo de operao da planta considerado estacionrio.



4.2 ANLISE DOS DADOS


A etapa inicial da anlise consiste na seleo e tratamento dos dados
operacionais. A grande disponibilidade de dados em sistemas industriais no
45
necessariamente sinnimo de informaes fidedignas do processo. Portanto, a seleo e
o tratamento dos dados so imprescindveis.

A Tabela (4.1) lista propriedades empregadas como variveis de entrada do
modelo inferencial. Como explicado posteriormente, as varincias foram calculadas
como as varincias obtidas do espectro de varincias para janelas de amostragem de
menor tamanho (TJ = 2).

Tabela 4.2: Variveis de entrada do modelo inferencial.
Propriedade Cdigo Varincia
Temperatura de topo do diesel produto (C) Varivel (01) 2,07E-03
Temperatura de fundo da torre (C) Varivel (02) 2,14E-03
Vazo de topo do diesel produto (m/d) Varivel (03) 9,11E+01
Vazo de fundo da torre (m/d) Varivel (04) 4,83E+02
Vazo de nafta pesada (m/d) Varivel (05) 7,41E+01
Vazo de querosene (m/d) Varivel (06) 1,32E+03
Vazo de diesel (m/d) Varivel (07) 1,68E+02
Vapor de retificao (ton/h) Varivel (08) 8,11E-04
Presso da zona de flash (kgf/cm
2
g) Varivel (09) 8,61E-07
T85% (C) Varivel (10) 1,36E-01

Estas propriedades foram selecionadas por ZANIN (1993) como as variveis que
mais afetam a qualidade do diesel.

A Figura (4.1) ilustra o comportamento das variveis operacionais, empregadas
como variveis independentes do modelo inferencial. Analisando o comportamento das
variveis durante o perodo considerado, nota-se que os grficos (a), (b), (e), (g), (h) e
(i) da Figura (4.1) apresentam trajetrias definidas (pouco aleatrias) durante a operao
do processo. Observando estes grficos, possvel tambm notar que as variveis que
apresentam maior aleatoriedade de comportamento so as variveis representadas pelos
grficos (d) e (f). Essa informao de grande relevncia, pois indica a presena de
dinmica nos dados embora o modelo inferencial seja estacionrio.

46
3.32E+02
3.34E+02
3.36E+02
3.38E+02
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
1
)

3.54E+02
3.56E+02
3.58E+02
3.60E+02
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
2
)
(a) (b)
1.74E+03
1.80E+03
1.86E+03
1.92E+03
1.98E+03
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
3
)

5.00E+03
5.10E+03
5.20E+03
5.30E+03
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
4
)
(c) (d)
6.00E+02
7.00E+02
8.00E+02
9.00E+02
1.00E+03
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
5
)

1.40E+03
1.60E+03
1.80E+03
2.00E+03
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
6
)
(e) (f)
1.80E+03
1.90E+03
2.00E+03
2.10E+03
2.20E+03
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
7
)

6.20E+00
6.40E+00
6.60E+00
6.80E+00
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
8
)
(g) (h)
47
6.80E-01
7.00E-01
7.20E-01
7.40E-01
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
0
9
)

3.98E+02
4.00E+02
4.02E+02
4.04E+02
4.06E+02
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

v
e
l

(
1
0
)
(i) (j)
Figura 4.1: Comportamento das variveis operacionais.

Uma outra observao possvel o fato de que as variveis so medidas por
instrumentos de diferentes precises, acarretando em nveis de rudo diferentes nas
diferentes variveis. importante que esse fato seja considerado, j que o desempenho
dos diferentes instrumentos no uniforme.

Os dados operacionais apresentados na Figura (4.1) foram filtrados empregando
um filtro de ordem zero que consiste basicamente em substituir toda medida
considerada invlida (contraditria ou nula) pela medida anterior.

Realizada a seleo e o pr-tratamento dos dados, passou-se caracterizao
estatstica bsica dos dados. Foram ento realizados os clculos de mdias, de desvio-
padro, da varincia e da correlao dos dados obtidos. Nestas anlises, o objetivo
principal definir os valores de referncias para o processo. As Tabelas (4.2) (4.4),
respectivamente, apresentam o valor mdio, o desvio-padro e a matriz de correlao de
cada varivel operacional analisada.

Tabela 4.2: Valor mdio das variveis operacionais.
Mdia
Var(01) Var(02) Var(03) Var(04) Var(05) Var(06) Var(07) Var(08) Var(09) Var(10)
335,22 357,64 1853,50 5183,45 800,68 1638,35 2082,25 6,51 0,71 400,01


48
Tabela 4.3: Desvios-padro das variveis operacionais.
Desvios-padro
Var(01) Var(02) Var(03) Var(04) Var(05) Var(06) Var(07) Var(08) Var(09) Var(10)
0,57 0,60 27,20 39,65 32,82 58,81 63,43 0,04 0,01 0,73

Tabela 4.4: Matriz de correlao das variveis operacionais.
Matriz de Correlao
1 0,865 0,071 -0,327 0,124 -0,626 0,852 0,138 0,315 -0,491
0,865 1 0,345 -0,333 -0,156 -0,505 0,78 0,052 0,31 -0,502
0,071 0,345 1 0,256 -0,51 -0,002 0,065 0,041 0,659 -0,432
-0,327 -0,333 0,256 1 -0,097 0,077 -0,114 0,106 0,47 -0,089
0,124 -0,156 -0,51 -0,097 1 -0,205 0,04 0,13 -0,151 0,137
-0,626 -0,505 -0,002 0,077 -0,205 1 -0,733 -0,055 -0,314 0,369
0,852 0,78 0,065 -0,114 0,04 -0,733 1 0,021 0,32 -0,507
0,138 0,052 0,041 0,106 0,13 -0,055 0,021 1 0,259 -0,15
0,315 0,31 0,659 0,47 -0,151 -0,314 0,32 0,259 1 -0,557
-0,491 -0,502 -0,432 -0,089 0,137 0,369 -0,507 -0,15 -0,557 1

Os resultados obtidos para as correlaes indicam a existncia de uma
associao significativa entre algumas variveis. Quando este resultado positivo, como
por exemplo, no caso da associao entre a varivel (01) e a varivel (02) em que este
valor 0,865, indica que estas variveis se influenciam positivamente; ou seja, so
diretamente proporcionais, de tal forma que medida que uma varivel cresce a outra
tambm cresce. Porm, quando este resultado negativo, como no caso da associao
entre a varivel (09) e a varivel (10) em que este valor -0,557, indica que estas
variveis se influenciam negativamente; ou seja, so inversamente proporcionais, de tal
forma que medida que uma varivel cresce a outra decresce.

Neste caso, observa-se a presena de uma correlao significativa entre algumas
variveis, o que pode levar interferncias na qualidade da inferncia durante a
operao do processo, por perturbaes aplicadas pelo sistema de controle e/ou pela
prpria estrutura do modelo que no prev este tipo de relacionamento entre as
variveis. Observa-se em particular que os pares formados pelas variveis (01), (02) e
49
(06), (07) apresentam forte correlao entre si. Do ponto de vista do processo,
justificvel que as temperaturas de retiradas, tanto de topo quanto de fundo da torre
estejam fortemente correlacionadas; o mesmo acontece para as vazes de retirada de
diesel e querosene que so produtos que possuem propriedades fsicas (como por
exemplo, densidade e ponto de ebulio) muito similares entre si.

Embora a caracterizao bsica seja importante para o conhecimento e a anlise
operacional, sendo seus resultados muitas vezes utilizados como parmetros de
calibrao de instrumentos e de sintonia de controladores, estes apresentam
interpretao limitada no aspecto do monitoramento da inferncia. Portanto, faz-se
necessrio o emprego de ferramentas capazes de investigar a presena de dinmica do
comportamento do processo.

Neste sentido, so empregadas as ferramentas estatsticas para caracterizao
dinmica dos dados operacionais. O objetivo a identificao de perodos de operao
estacionria ou transiente. Para tal so realizados clculos de mdias e de varincias
mveis e seus respectivos intervalos de confiana e ndices de conformidade. Tambm
so calculados os espectros de varincia e os espectros de correlao das variveis
operacionais.

As Figuras (4.2) e (4.3) apresentam as mdias e as varincias mveis para as
variveis operacionais estudadas, e seus respectivos intervalos de confiana. Para a
aplicao destas ferramentas estatsticas utilizaram-se janelas mveis com tamanho de
13 amostragens, representando 1 hora de operao do processo. Com o suporte da
visualizao do comportamento dos dados operacionais (Figura 4.1), pode-se observar
claramente o efeito suavizador do clculo das mdias mveis (Figura 4.2), removendo
flutuaes das variveis estudadas.


50
3.33E+02
3.34E+02
3.35E+02
3.36E+02
3.37E+02
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
1
)
00

3.56E+02
3.57E+02
3.58E+02
3.59E+02
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
2
)
00
(a) (b)
1.78E+03
1.82E+03
1.86E+03
1.90E+03
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
3
)
00

5.10E+03
5.16E+03
5.22E+03
5.28E+03
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
4
)
00
(c) (d)
7.20E+02
7.80E+02
8.40E+02
9.00E+02
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
5
)
00

1.50E+03
1.60E+03
1.70E+03
1.80E+03
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
6
)
00
(e) (f)
1.90E+03
2.00E+03
2.10E+03
2.20E+03
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
7
)
00
6.40E+00
6.44E+00
6.48E+00
6.52E+00
6.56E+00
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
8
)
00
(g) (h)
51
6.80E-01
6.90E-01
7.00E-01
7.10E-01
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
0
9
)
00

3.99E+02
4.00E+02
4.01E+02
4.02E+02
4.03E+02
0 20 40 60 80 1
Janelas
M

d
i
a

M

v
e
l

(
1
0
)
00
(i) (j)
Figura 4.2: Intervalo de confiana (---) e mdia mvel () das variveis operacionais.

0.00E+00
5.00E-01
1.00E+00
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
1
)
00

0.00E+00
4.00E-01
8.00E-01
1.20E+00
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
2
)
00
(a) (b)
0.00E+00
5.00E+02
1.00E+03
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
3
)
00

0.00E+00
2.00E+03
4.00E+03
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
4
)
00
(c) (d)
52
0.00E+00
5.00E+03
1.00E+04
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
5
)
00

0.00E+00
5.00E+03
1.00E+04
1.50E+04
2.00E+04
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a


M

v
e
l

(
0
6
)
00
(e) (f)
0.00E+00
6.00E+03
1.20E+04
1.80E+04
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
7
)
00
0.00E+00
4.00E-03
8.00E-03
1.20E-02
1.60E-02
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
8
)
00
(g) (h)
0.00E+00
4.00E-05
8.00E-05
1.20E-04
1.60E-04
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
0
9
)
00

0.00E+00
5.00E+00
1.00E+01
0 20 40 60 80 1
Janelas
V
a
r
i

n
c
i
a

M

v
e
l

(
1
0
)
00
(i) (j)
Figura 4.3: Intervalo de confiana (---) e varincia mvel () das variveis
operacionais.

Na Figura (4.3) grficos (c), (d), (f) e (g), as variveis (3), (4), (6) e (7)
apresentam largos intervalos de confianas para varincia. A justificativa para tal pode
estar no comportamento mais difuso (aleatrio) destas variveis, como apresentado na
Figura (4.1) grficos (c), (d), (f) e (g). Como os intervalos de confiana expressam uma
relao de significncia entre a grandeza estatstica e o seu valor real, quanto o maior o
53
rudo ou aleatoriedade da medida, maior possibilidade da varivel assumir outros
valores, ampliando a regio em que possa ser encontrada.

A Figura (4.4) apresenta respectivamente, a anlise de conformidade da mdia e
da varincia mvel das variveis operacionais. O ndice de conformidade foi definido
como a frao de vezes em que a comparao entre duas mdias ou varincias resulta
em medidas conformes, quando comparaes so feitas entre medidas obtidas com uma
janela de mesmo tamanho TJ.

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7 8 9 10
Variveis
C
o
n
f
o
r
m
i
d
a
d
e

d
a

M

d
i
a

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7 8 9 10
Variveis
C
o
n
f
o
r
m
i
d
a
d
e

d
a

V
a
r
i

n
c
i
a
(a) (b)
Figura 4.4: Conformidade da mdia e da varincia para as variveis operacionais.

Nesse caso, tanto a conformidade da mdia quanto a conformidade da varincia
mvel foram calculados com tamanho de janela mvel equivalente 1 hora de operao
do processo. A conformidade foi expressa em forma de ndice, que representa o
resultado desta anlise para cada varivel ao longo da operao. Observa-se que, de um
modo geral, os ndices de conformidade da varincia (Figura 4.4, grfico (b)) so
maiores que os ndices obtidos para a conformidade da mdia (Figura 4.4, grfico (a)).
Provavelmente a justificativa est no sistema de controle da planta, que impe limites
rgidos para as oscilaes do processo. Valores para conformidade da mdia mveis
muito diferentes da varincia mvel tambm so possveis, j que os clculos destas
grandezas so independentes.

Os ndices de conformidade da mdia para todas variveis operacionais (exceto a
Varivel (06)) esto abaixo de 0,2, extremamente baixos. Estes ndices demonstram que
as mdias so em geral diferentes, caracterizando o comportamento dinmico do
54
processo. Acredita-se que h uma alterao constante do valor desejado (set point)
durante a operao da planta, e que esta alterao pode estar sendo causada pelo bias
acrescentado ao modelo inferencial a cada nova inferncia tomada na planta. A
variabilidade ao longo do processo parece apresentar amplitude e freqncia de
alterao relativamente alta, com ndices de conformidade inferiores a 0,3. Isto significa
que o nvel de rudo observado tambm flutua no tempo, o que pode caracterizar o nvel
varivel de rudo da operao ou o mau funcionamento dos sistemas de controle.

A fim de avaliar a influncia do tamanho da janela mvel TJ sobre a anlise de
conformidade, foram realizadas comparaes dos percentuais de conformidade da
mdia e da varincia mvel para diferentes tamanhos de janela mvel. As Tabelas (4.5)
e (4.6) apresentam respectivamente os percentuais de conformidade da mdia (PCM) e
da varincia (PCV), calculados para diferentes tamanhos de janela mvel (TJ). O
percentual de conformidade da mdia representa o resultado desta anlise para cada
varivel ao longo da operao em percentual.

Tabela 4.5: Percentual de conformidade da mdia para diferentes TJ.
Percentual de Conformidade da Mdia PCM (%)
TJ (h) Var(01) Var(02) Var(03) Var(04) Var(05) Var(06) Var(07) Var(08) Var(09) Var(10)
0,5 4,16 4,88 17,12 8,24 19,61 17,63 12,28 6,15 2,69 16,47
1,0 4,88 5,59 14,45 6,55 19,16 14,55 12,05 5,89 2,85 13,35
1,5 4,68 6,11 13,28 6,64 21,73 13,21 11,34 6,34 3,04 12,46
2,0 5,53 6,01 13,39 6,17 18,76 12,88 12,03 6,93 3,18 11,65
2,5 5,55 6,17 13,06 6,30 19,48 12,62 12,08 6,69 2,81 11,16

Tabela 4.6: Percentual de conformidade da varincia para diferentes TJ.
Percentual de Conformidade da Varincia PCV (%)
TJ (h) Var(01) Var(02) Var(03) Var(04) Var(05) Var(06) Var(07) Var(08) Var(09) Var(10)
0,5 24,68 25,88 30,16 30,96 26,14 35,99 27,61 20,17 22,58 35,05
1,0 18,44 19,70 24,10 24,74 19,40 28,70 18,91 16,45 16,38 26,90
1,5 16,32 16,72 20,81 20,88 17,17 24,12 15,20 14,05 13,50 21,57
2,0 16,05 16,87 17,38 16,69 15,68 20,45 13,46 15,19 11,32 18,47
2,5 13,86 15,25 14,67 14,06 14,62 18,82 12,86 14,91 10,89 16,18
55

Enquanto o percentual de conformidade da mdia tem comportamento
diferenciado para cada varivel em relao ao tamanho da janela, o percentual de
conformidade da varincia decresce. A reduo do PCV significa que, com o passar do
tempo, flutuaes dinmicas esto sendo incorporadas, modificando o comportamento
desta grandeza. O aumento do PCM, por sua vez, um mero reflexo do efeito de
filtragem da operao. De qualquer forma parece bastante claro que h comportamento
dinmico nos dados de processo utilizados e que esta concluso independe do tamanho
de janelas considerado.

Para caracterizao da variabilidade do processo, so usados tambm os
espectros de varincia das variveis operacionais. Como j foi dito, esta ferramenta
muito til para caracterizar uniformidade ou no dos dados ao longo do tempo. A Figura
(4.5) apresenta os espectros de varincia das variveis operacionais, para janelas mveis
de 10 minutos (2 pontos amostrais) at 1 hora (13 pontos amostrais) de operao.

0.0E+00
1.0E-02
2.0E-02
3.0E-02
4.0E-02
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
1
)

0.0E+00
1.0E-02
2.0E-02
3.0E-02
4.0E-02
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
2
)
(a) (b)
4.0E+01
8.0E+01
1.2E+02
1.6E+02
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
3
)

2.0E+02
4.0E+02
6.0E+02
8.0E+02
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
4
)
(c) (d)
56
0.0E+00
2.0E+02
4.0E+02
6.0E+02
8.0E+02
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
5
)

8.0E+02
1.2E+03
1.6E+03
2.0E+03
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
6
)
(e) (f)
0.0E+00
2.5E+02
5.0E+02
7.5E+02
1.0E+03
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
7
)

6.0E-04
8.0E-04
1.0E-03
1.2E-03
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
8
)
(g) (h)
0.0E+00
2.5E-06
5.0E-06
7.5E-06
1.0E-05
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
0
9
)

1.0E-01
2.0E-01
3.0E-01
2 3 4 5 6 7 8 9 10 11 12 13
Tamanho da Janela
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a

(
1
0
)
(i) (j)
Figura 4.5: Espectro de varincia das variveis operacionais.

Observa-se que nos espectros de varincia apresentados na Figura (4.5), as
varincias tendem a aumentar com o tamanho da janela mvel, o que indica que dados
estatisticamente diferentes so incorporados ao longo do processo, caracterizando
novamente a existncia de dinmica.

Para a Varivel (04), Figura (4.5) grfico (d), a variabilidade instrumental est
bem prxima da variabilidade incorporada ao longo do processo representado, o que
57
demonstra comportamento estacionrio tpico. Possivelmente este fato est associado ao
comportamento estocstico apresentado por esta varivel, Figura (4.1) grfico (d),
condio que pode ser reafirmada pelos largos intervalos de confiana apresentados por
suas mdia e varincia mveis, grficos (d) das Figuras (4.2) e (4.3). Esta tambm a
varivel que apresenta a menor associao entre suas medidas ao longo da operao do
processo.

O comportamento que melhor caracteriza o espectro de varincia ideal a curva
apresentada pela Varivel (02), Figura (4.5) no grfico (b). Nesta curva, cujo ponto
inicial representa a varincia instrumental, notam-se as flutuaes do processo sendo
incorporadas (crescentemente), medida que se aumenta o tamanho da janela, at
atingir a variabilidade final da varivel de processo. Para as demais variveis, pode-se
dizer que h dinmicas que se manifestam em tempo superior a 13 amostragens.

A oscilao presente nos espectros de varincia das Variveis (03), (06), (08) e
(10) representados pela Figura (4.5) grficos (c) (f) (h) (j) respectivamente, podem
informar sobre perodos de estabelecimento de condies de estacionariedade, mudana
estatstica da varivel, perturbaes acrescentadas ao longo da operao do processo,
sendo que tambm podem fundamentar questionamentos sobre a qualidade dos dados (a
presena de erros grosseiros) e a possibilidade de falhas. A oscilao das varincias est
muito associada existncia de padres dinmicos de variao. Por exemplo, para a
Varivel (08), o mximo est intimamente relacionado s oscilaes iniciais das
medidas.

As varincias mnimas, obtidas para janelas de tamanho TJ igual a 2, so
mostradas na Tabela (4.1). Essas so as varincias naturais de flutuao, consideradas
para fins de caracterizao do modelo.

Finalmente, a caracterizao dinmica das variveis operacionais apresenta os
espectros de correlao. Neste caso ser empregado o espectro de auto-correlao, pois
esta ferramenta estatstica possibilita a identificao do tempo normalmente requerido
para que seja atingido um estado estacionrio; ou seja, o tempo requerido para que as
mudanas tenham carter aleatrio e no carter dinmico.

58
A Figura (4.6) apresenta os espectros de auto-correlao das variveis
operacionais, para aproximadamente 4 horas de operao do processo.

-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
1
)
0

-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
2
)
0
(a) (b)
-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
3
)
0

-1.0E+00
-5.0E-01
0.0E+00
5.0E-01
1.0E+00
0 10 20 30 40
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
4
)
50
(c) (d)
-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
5
)
0

-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
6
)
0
(e) (f)
59
-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
7
)
0

-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
8
)
0
(g) (h)
-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
0
9
)
0

-1.0
-0.5
0.0
0.5
1.0
0 10 20 30 40 5
Deslocamentos
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o

(
1
0
)
0
(i) (j)
Figura 4.6: Espectros de auto-correlao das variveis operacionais.

De acordo com os resultados, com exceo de algumas correlaes, a maioria
delas (60% das variveis) fica prxima a 0,5 aps 10 deslocamentos e reduzem para 0,0
aps 20 deslocamentos. Este resultado est coerente com a operao real do processo, j
que 10 deslocamentos correspondem a 50 minutos de operao e 20 deslocamentos
correspondem a 10 dias de operao, e esperado que no haja correlao significante
entre os sinais aps este intervalo de tempo, pela natureza dinmica do processo.

O comportamento oscilatrio de algumas variveis (05, 06, 07 e 10), pode
significar mudanas ao longo da operao do processo.

Observa-se tambm que as correlaes das variveis (05), (06), (08) e (10)
reduzem rapidamente para o valor de 0,5, aps 5 deslocamentos, e equivale a uma
constante de tempo de operao do processo em torno de 2,5 dias para estas variveis,
indicando que os dados amostrados experimentam dinmica embora tenham sido
coletados em um perodo amostral da operao considerado estacionrio.
60
Os espectros de correlao das variveis (03) e (09) mantm-se constantes acima
de 50%, sendo que no caso desta ltima o espectro no atinge em ponto algum de
deslocamento um valor inferior a 0,5 de correlao. Tambm usualmente chamadas
como variveis de lembrana, estas variveis apresentam o comportamento futuro
fortemente dependente do passado.

Uma informao importante a partir dos espectros de correlao a identificao
da presena de dinmica nos dados amostrados, com constante de tempo do processo
bastante superiores a 1 dia.

A anlise dos dados importante para um maior entendimento e uma melhor
descrio da operao do processo, bem como para a elaborao mais seguras de
estatsticas do processo acerca das variveis operacionais. Uma anlise importante
relacionada a este tema, no abordada diretamente neste estudo, a deteco de erros
grosseiros. Para tratar este problema, ferramentas estatsticas foram empregadas com
base no modelo inferencial.



4.3 ANLISE DO MODELO INFERENCIAL


O modelo inferencial um modelo que por meio de variveis medidas prediz
variveis de interesses que no podem ser medidas (na planta e/ou em tempo real). O
acompanhamento de modelos geralmente realizado por meio dos resduos. Os resduos
consistem nas diferenas entre os valores medidos (neste caso, as anlises de
laboratrio) e os valores obtidos atravs do modelo (neste caso, o modelo inferencial).
Portanto, os resduos so considerados os resultados filtrados pelo modelo. A anlise
estatstica deste elemento de fundamental importncia, j que este demonstra como o
modelo se comporta em relao aos dados. Assim, o resduo o vnculo entre o modelo
inferencial e os dados operacionais!

A mesma seqncia realizada para a anlise e caracterizaes estatstica dos
dados feita para a inferncia fornecida pelo modelo inferencial. Portanto, nesta parte
61
do trabalho sero apresentados resultados concernentes s etapas de caracterizao
bsica e de caracterizao dinmica, com o acrscimo da etapa de caracterizao da
predio. Esta ltima dedicada anlise da inferncia exclusivamente por meio de
modelos inferenciais.

Os dados operacionais empregados pelo modelo inferencial so os mesmos
reportados na Seo 4.2 deste captulo.

A caracterizao bsica da inferncia apresentada pela Tabela (4.7); a
inferncia e a sua varincia so respectivamente apresentadas pelas Figuras (4.7) e (4.8).

Tabela 4.7: Mdia e desvio-padro para a inferncia.
Inferncia
Mdia Desvio-padro
400,023 0,742

398
400
402
404
0 50 100 150 200
Amostragem
T
8
5
%

(

C
)

Figura 4.7: Inferncia da T85% (C).

62

Figura 4.8: Varincia da predio da T85% (C).
0.0E+00
4.0E+00
8.0E+00
1.2E+01
1.6E+01
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

n
c
i
a

d
a

P
r
e
d
i

o

A inferncia da T85% oscila entre 398 a 404 C, mantendo se a maior parte da
amostragem em torno de 400 C. Do ponto de vista prtico, deseja-se que a T85% se
mantenha em torno de 398 C e que sejam inferiores a 400 C. Neste grfico pode se
perceber que o comportamento inicial (at o ponto 19 da amostragem) da inferncia
difere significantemente do comportamento a longo do tempo amostral (os outros 179
pontos consecutivos), o que pode indicar um comportamento dinmico da T85% e
tambm levantar hipteses sobre a presena de erros grosseiros nas medidas
empregadas pelo modelo inferencial. De qualquer forma importante observar que o
comportamento da inferncia no uniforme, quer seja por mudanas no processo, quer
seja por desempenho do modelo inferidor.

Os valores obtidos para a varincia da predio da inferncia so relativamente
altos, conforme a Figura (4.8). A varincia da predio uma ferramenta importante
para avaliao do erro de predio considerando todos os elementos envolvidos neste
processo, pois composta pela varincia das variveis (independentes e dependentes) e
dos parmetros, e ainda a varincia experimental. Portanto, dentre as justificativas
possveis para uma varincia de perdies altas esto: parmetros correlacionados, altos
valores de correlao experimental das variveis independentes e/ou das variveis
dependentes, e erros grosseiros presentes nos dados operacionais.

63
Observa-se que h necessidade de se caracterizar a fonte de erro que eleva a
varincia da predio. Para tal, ao longo deste estudo sero reestimados os parmetros
do modelo inferencial, analisada a influncia das variveis (dependentes e
independentes) sobre a inferncia e realizado um procedimento de deteco de erros
grosseiros a partir do modelo.

Seguindo a mesma sistemtica adotada para avaliao dos dados, so calculados
os resduos e sua caracterizao estatstica (clculo de mdia e de desvio-padro).

A Figura (4.9) apresenta os resduos da varivel de sada, para 25 dias de
operao do processo (amostragem de 12 em 12 horas).


Figura 4.9: Comportamento dos resduos da T85%.
-20
-15
-10
-5
0
5
10
15
20
0 10 20 30 40 5
Amostragem
R
e
s

d
u
o
s
0

Observa-se que os resduos possuem valores altos, esto compreendidos em um
intervalo de 20 a -20. Os altos valores obtidos para os resduos demonstram que as
inferncias no so muito prximas do valor medido em laboratrio, e indicam que as
predies no so satisfatrias.

A Tabela (4.8) apresenta os resultados da mdia e do desvio-padro para os
resduos.

64
Tabela 4.8: Mdia e desvio-padro calculados para os resduos.
Resduos
Mdia Desvio-padro
0,000 24,255

Embora a flutuao seja considervel, o que significa que as predies oscilam
bastante em torno do valor mdio, os resduos apresentam uma mdia cujo resultado
favorvel ao modelo. Resduos com mdia zero significam que o modelo no necessita
ajuste (bias); ou seja, suas predies no esto tendenciosas. Este resultado questiona a
validade do bias.

Assim como para os dados foram realizados clculos de mdias e de varincias
mveis, de espectros de correlao e de varincia, o mesmo tambm foi feito para os
resduos. Porm neste caso o resultado destas anlises apresenta a informao sobre o
ajuste do modelo inferencial aos dados.

As Figuras (4.10) e (4.11) apresentam mdia e varincia mveis dos resduos,
calculadas com janelas mveis de 1 hora, para aproximadamente 28 horas de operao
do processo.


Figura 4.10: Intervalo de confiana (---) e mdia mvel () dos resduos.
-8.0E+00
-4.0E+00
0.0E+00
4.0E+00
8.0E+00
0 30 60 90 120 150
Janelas Mveis
M

d
i
a

M

v
e
l

65

Figura 4.11: Intervalo de confiana (---) e varincia mvel () dos resduos.
0.0E+00
5.0E+01
1.0E+02
1.5E+02
2.0E+02
2.5E+02
0 30 60 90 120 150
Janelas Mveis
V
a
r
i

n
c
i
a

M

v
e
l

Foi definido um intervalo amostral maior para anlises das mdias e varincias
mveis dos resduos com o objetivo de analisar as regularidades destas ao longo da
operao do processo, neste caso 1 dia de operao. O intervalo de amostral composto
por 150 janelas mveis, possibilitou a percepo clara do afunilamento dos intervalos de
confiana destas duas entidades estatsticas, que vo estreitando progressivamente ao
longo da amostragem. Esta observao implica em um aumento progressivo
confiabilidade das mdias e varincias mveis ao longo da amostragem. Este fato pode
estar relacionado a qualidade dos dados operacionais, mas provavelmente indicam que
ao longo da amostragem a estabilidade maior que no incio, e que esta estabilidade
aumenta com o tempo.

Quanto as mdias dos resduos, no geral, apresentam um bom comportamento,
oscilando com valores positivos e negativos entre o valor zero, novamente descartando
a idia do bias do modelo, confirmando o resultado apresentado pela Tabela (4.8).

As elevadas estimativas das varincias reportam a flutuao experimental e
demonstram haver flutuaes dinmicas significantes no processo. Este resultado indica
que a varincia do modelo no pode ser considerada compatvel com a flutuao
caracterstica do processo.

66
importante lembrar que tanto a mdia mvel quanto a varincia mvel
apresentam largos intervalos de confiana. Estes resultados indicam que para estas
entidades h muitos outros resultados possveis; portanto, a confiabilidade destes
valores no elevada.

Posteriormente foram calculados os percentuais de conformidade da mdia e da
varincia, que como j foi visto as anlises de mdias e varincias mveis, expressando
em ndices a suas validades.

A Figura (4.12) apresenta a conformidade da mdia e da varincia,
respectivamente, para janelas mveis de 1 hora.

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Resduo
C
o
n
f
o
r
m
i
d
a
d
e

d
a

M

d
i
a

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Resduos
C
o
n
f
o
r
m
i
d
a
d
e

d
a

V
a
r
i

n
c
i
a
(a) (b)
Figura 4.12: Conformidade da mdia e da varincia para os resduos.

A anlise de conformidade da mdia, Figura (4.12) grfico (a) apresenta o ndice
de conformidade prximo a 1,0, o que significa que as mdias de cada janela mvel so
estatisticamente similares entre si definindo claramente a no necessidade do acrscimo
do bias ao modelo inferencial em linha.

Com relao conformidade da varincia, o baixo ndice confirma que a
flutuao dos dados operacionais no est conforme a flutuao das inferncias. Este
resultado permite especulaes sobre a validade do modelo inferencial, que pode estar
com problemas de parametrizao (sub ou super parametrizado) ou ainda no
representar adequadamente a relao funcional entre os dados operacionais e a varivel
desejada.
67

Um outro problema possvel o uso de dados mal amostrados contaminados por
erros grosseiros no clculo da inferncia, pois estes erros usualmente inflam a mdia e
varincia causando estimativas desviadas de seus valores reais; porm, esta hiptese
parece no parecer ter muita relevncia, pois no s afetaria a varincia mvel como
tambm a mdia mvel.

Lidando com os dados operacionais (Figura 4.1), a flutuao do modelo
inferencial muito menor do que a apresentada por estes. Neste caso, possvel que o
modelo esteja super parametrizado, de modo a garantir predies satisfatrias em linha
por ajuste destes parmetros.

Em seqncia, a Figura (4.13) apresenta o espectro de varincia dos resduos,
para um tamanho da janela mvel de 1 hora.


Figura 4.13: Espectro de varincia dos resduos.
2.5E+01
2.6E+01
2.7E+01
2.8E+01
2.9E+01
3.0E+01
2 3 4 5 6 7 8 9 10 11 12 1
Tamanho da Janela Mvel
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a
3

O espectro de varincia apresenta uma baixa oscilao e uma variao muito
pequena (2C). Estas caractersticas so tpicas de estabilidade, demonstrando que no
incorporao de variabilidade ao longo da operao do processo.

68
Uma observao significante o fato da oscilao do espectro de varincias
apresentar valor maior para janelas de menor tamanho (como por exemplo, janelas
contendo 3 pontos amostrais). Isto significa que a varincia de uma medida mais
afetada pela medida mais prxima a ela, e que ao longo do processo vai se
estabelecendo uma condio de estabilidade.

O espectro de correlao dos resduos, para um tamanho da janela mvel de 1
hora, apresentado pela Figura (4.14).


Figura 4.14: Espectro de auto-correlao dos resduos.
-1.0E+00
-5.0E-01
0.0E+00
5.0E-01
1.0E+00
0 10 20 30 40 5
Deslocamento
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o
0

Nota-se que a auto-correlao cai bruscamente logo aps o primeiro
deslocamento, oscilando em torno do valor zero, medida que os deslocamentos
aumentam. Este comportamento demonstra que no h dinmica nos resduos, que
oscilam em torno do valor zero ao longo de todo o processo. Portanto, embora o modelo
seja desenvolvido para operao em estado estacionrio parece ser capaz de filtrar a
dinmica do processo.

Uma importante informao obtida desta anlise de correlao o fato de no
haver defasagem entre as medidas de processo e o modelo inferencial.

69
As prximas anlises so realizadas especificamente para os modelos
inferenciais e, portanto no constam na parte do estudo relacionada diretamente a
anlises dos dados (item 4.2).

A Figura (4.15) apresenta do efeito de uma determinada varivel independente
sobre os erros de predio, por meio de ndices.

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
V
a
r
i

v
e
l

(
0
1
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
2
)
(a) (b)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
3
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
4
)
(c) (d)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
5
)

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
V
a
r
i

v
e
l

(
0
6
)
(e) (f)
70
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
7
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
8
)
(g) (h)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
9
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
1
0
)
(i) (j)
Figura 4.15: Efeito das variveis independentes sobre a inferncia.

Nos resultados acima, Figura (4.15) o erro de predio (que no seno a
varincia de predio) calculado alternando a cada grfico o efeito (que no seno a
varincia) de cada varivel independente presente no modelo inferencial. Por no estar
disponvel a matriz de covarincia experimental, foi utilizada uma matriz composta dos
primeiros valores obtidos para os espectros de varincias das variveis operacionais.

Observa-se que as variveis (exceto a Varivel (10)) no afetam de forma
significativa os erros de predio, pois apresentam ndice 0 de significncia estatstica
para este caso. Entretanto, a retirada do efeito da Varivel (10) afetou alguns
experimentos, demonstrando que esta varivel interfere no erro de predio.

A Figura (4.16) apresenta os resultados para identificao do efeito de um
determinado parmetro, e ainda a varivel dependente, sobre os erros de predio.

71
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
1
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
2
)
(a) (b)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
3
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
4
)
(c) (d)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
5
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

d
e

S
a

d
a
(e) (f)
Figura 4.16: Efeito dos parmetros e da varivel de sada sobre a inferncia.

Nos resultados acima, Figura (4.16) o erro de predio calculado alternando o
efeito de um determinado parmetro do modelo a cada grfico. Por no estar disponvel
a matriz de covarincia dos parmetros, foi utilizada uma matriz identidade para esta
soluo. A matriz de covarincia dos parmetros geralmente obtida durante a
regresso do modelo (reconciliao de dados ou estimao de parmetros),
procedimento no realizado neste trabalho. O grfico (f) da Figura (4.16) apresenta os
72
resultados para a varivel dependente, que assim como as variveis independentes, no
possui disponvel sua varincia experimental.

Dessa forma, os resultados apresentados acima no podem ser encarados com
rigor de forma a reprovar estes elementos do modelo (parmetros e varivel de sada),
mas como uma validao do procedimento numrico responsvel por estas anlises que
permite a visualizao da influncia dos parmetros e da varivel de sada na inferncia.

Mesmo neste contexto, parece claro que os parmetros que no possuem uma
influncia estatisticamente significante so os 2 e 4 (Figura (4.16), grficos (b) e (d)), e
da mesma forma atua a Varivel de Sada no erro de predio.

Estas anlises so de grande importncia, pois ao identificar as os elementos do
modelo inferencial que contribuem para o erro de predio (as causas) torna-se mais
fcil avaliar este modelo e obter inferncias de melhor qualidade.

Outras anlises importantes de investigao do modelo inferencial esto
relacionados sua possibilidade de representar os dados do processo, quando vrios
modelos inferenciais so disponveis para a realizao da mesma inferncia. Portanto,
estas anlises so empregadas para avaliao do desempenho do modelo inferencial e
para a discriminao de modelos, e consiste no clculo das probabilidades absolutas e
relativas de cada um dos modelos propostos. A Figura (4.17) apresenta os resultados
para as anlises relativas avaliao do desempenho do modelo.

0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
Amostragem
P
r
o
b
a
b
i
l
i
d
a
d
e

A
b
s
o
l
u
t
a

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
T
e
s
t
e

-

P
r
o
b
a
b
i
l
i
d
a
d
e

A
b
s
o
l
u
t
a
(a) (b)
Figura 4.17: Probabilidades do modelo.
73

De acordo com anlise de probabilidade absoluta do modelo inferencial apenas
para o primeiro ponto amostral o modelo apresenta-se adequado. Neste caso o resultado
apresentado pelo ndice 0 no teste de probabilidade absoluta.

Observa-se um trecho crtico (intervalo de amostragem do ponto 6 ao 20),
representado pelos grficos (a) e (c) da Figura (4.17), em que os valores obtidos para a
probabilidade absoluta uma constncia de 0, apresentado mais claramente pelo teste
de probabilidade pelo ndice -1. O ndice -1 implica em um modelo no adequado para
representao dos dados, pois a probabilidade menor que o nvel de confiana exigido.

Ainda para a probabilidade absoluta, nota-se que a maior parte dos resultados
obtidos assume valores de 1, representados no teste de probabilidade absoluta pelo
ndice 1. Este resultado implica em um modelo com desempenho exageradamente bom,
pois a probabilidade maior que o nvel de confiana exigido. Neste caso, os resultados
indicam que o modelo pode estar super parametrizado.

Analisando os valores obtidos para probabilidade relativa, observa-se que o
modelo considerado adequado para todos os experimentos. No entanto, estes
resultados (incluindo o teste de probabilidade relativa) no expressam significado
estatstico, visto que no foi empregado outro modelo inferencial para obteno de
resultados de comparao. Logo, no h duvida que na ausncia de outros modelos, um
modelo inferencial comparado a ele mesmo um modelo adequado. O objetivo destes
resultados apresentar a ferramenta estatstica, que foi implementada neste estudo e
est disponvel para discriminao quando houver outros modelo inferenciais (da
mesma propriedade) a serem analisados.

O objetivo dos testes apresentar os resultados de forma mais simples e clara de
modo que decises e aes de correo possam ser tomadas em tempo real por
profissionais que no necessariamente entendam extensivamente de estatsticas de
processos (como por exemplo, os operadores).

Finalmente, so realizadas anlises a partir dos resduos capazes de determinar
se um dado experimental pode ou no ser considerado um erro grosseiro. Alm disso,
74
tambm so apresentados a anlises que identificam o nmero de erros grosseiros
observado num determinado conjunto de dados, e a probabilidade acumulada destes
estarem presentes.

A Tabela (4.9) e a Figura (4.18) apresentam os resultados obtidos para a
deteco de erros grosseiros nos resduos.

Tabela 4.9: Deteco de erros grosseiros (EG) nos resduos.
Resduos
Nmero de EG Nmero mximo de EG Probabilidade Acumulada de EG
1 8 0,00405

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
T
e
s
t
e

-

D
e
t
e
c

o

d
e

E
r
r
o
s

G
r
o
s
s
e
i
r
o
s

Figura 4.18: Deteco de erros grosseiros nos resduos.

O nmero de erros grosseiros detectado pode expressar a boa qualidade dos
dados amostrados ou o alto valor da varincia de predio. Como mostrado na Tabela
(4.9), para 100 dados eram esperados at 8 erros grosseiros com 95% de confiana
estatstica. No teste de deteco de erros grosseiros observa-se que os valores obtidos
so dados por ndices 0 e -1; o ndice zero significa que o ponto no considerado erro
grosseiro, mas o ndice 1 indica que o ponto estatisticamente um erro grosseiro e este
ndice positivo quando se trata de um erro grosseiro positivo e negativo quando
considerado um erros grosseiro negativo (como neste caso apresentado). A deteco de
75
apenas 1 erro grosseiro resulta das altas varincias de predio e sugerem que estes
valores esto superestimados. No parece haver dvidas de que os parmetros do
modelo precisam ser reavaliados, assim como os desempenhos das medidas
experimentais.

Cabe lembrar que a presena de erros grosseiros no necessariamente significa
inconsistncia estatstica dos dados analisados; afinal o prprio fato de assumir uma
hiptese de distribuio, ao definir um nvel de confiana, contempla a possibilidade de
existncia de erros grosseiros.



4.4 ADEQUAO DO MODELO INFERENCIAL


Os modelos em geral so compostos basicamente por trs elementos: as
variveis independentes x, as variveis dependentes y e os parmetros . A relao
matemtica entre as variveis independentes (geralmente obtidas via sensores) e as
variveis dependentes (geralmente obtidas por meio de anlises de laboratrio) compe
a estrutura do modelo. J os parmetros so certos valores ou constantes que no podem
ou no so facilmente medidos (como por exemplo, a energia de ativao de uma reao
qumica), mas que podem ser inferidos a partir de observaes experimentais
(SCHWAAB, 2007).

O procedimento de inferncia dos parmetros de um modelo chamado de
estimao dos parmetros e consiste em ajustar os valores dos parmetros de tal forma
que as previses do modelo sejam as mais prximas possveis dos valores medidos
experimentalmente. SCHWAAB (2007) apresenta um estudo abrangente sobre este
tema, incluindo um histrico envolvendo trabalhos remotos desenvolvidos nesta rea
comum engenharia e estatstica.

Dentre os objetivos definidos para este estudo, a (re) modelagem no est
inclusa. Frente necessidade de uma melhor predio, requerendo a adequao do
modelo, a abordagem empregada ser a re-estimao dos parmetros a fim de avaliar se
76
estes esto estatisticamente consistentes e, ainda, se o modelo est super ou sub
parametrizado. Desta forma, possvel tambm definir se os problemas de predio do
modelo esto ligados aos parmetros ou se um problema de estruturao/relao entre
as variveis.

Os parmetros originais empregados pelo modelo inferencial so apresentados
pela Tabela (4.10).

Tabela 4.10: Parmetros originais do modelo inferencial.
Parmetro 1 Parmetro 2 Parmetro 3 Parmetro 4 Parmetro 5
1,090 -15,000 1,650 -129,700 0,000

Inicialmente, buscou-se averiguar de forma qualitativa a significncia dos
parmetros. Esta verificao consiste na excluso do parmetro a ser averiguado do
modelo inferencial, observando a influencia deste parmetro no resultado aps a
simulao.

A Figura (4.19) apresenta a significncia qualitativa dos parmetros do modelo
inferencial.

350
370
390
410
430
450
0 30 60 90 120 15
Amostragem
T
8
5
%

-

P
a
r

m
e
t
r
o
s

A
t
u
a
i
s
0

350
370
390
410
430
450
0 30 60 90 120
Amostragem
T
8
5
%

-

E
x
c
l
u

d
o

o

P
a
r

m
e
t
r
o

1
150
(a) (b)
77
350
370
390
410
430
450
0 30 60 90 120 15
Amostragem
T
8
5
%

-

E
x
c
l
u

d
o

o

P
a
r

m
e
t
r
o

2
'
0

350
370
390
410
430
450
0 30 60 90 120
Amostragem
T
8
5
%

-

E
x
c
l
u

d
o

o

P
a
r

m
e
t
r
o

3
150
(c) (d)
350
370
390
410
430
450
0 30 60 90 120
Amostragem
T
8
5
%

-

E
x
c
l
u

d
o

o

P
a
r

m
e
t
r
o

4
150

(e) (f)
Figura 4.19: Inferncia da T85% (--) sem um determinado parmetro do modelo
inferencial comparada aos dados medidos de laboratrio ()
350
370
390
410
430
450
0 30 60 90 120
Amostragem
T
8
5
%

-

E
x
c
l
u

d
o

o

P
a
r

m
e
t
r
o

5
150

A Figura (4.19) grfico (a) representa a comparao da inferncia com os dados
medidos de laboratrios. Nesta figura os parmetros empregados so os atualmente
utilizados pelo modelo inferencial (em linha). Na Figura (4.19) grfico (b) apresenta a
comparao da inferncia com os dados de laboratrio, excludo o primeiro parmetro;
e assim, por diante.

Observa-se que a ausncia dos parmetros 2 e 4 (Figura 4.19, grficos (b) e (d))
no alteram muito o valor da inferncia, no apresentando influncia significativa no
modelo inferencial. Anlises de varincias demonstraram que esta observao est
correta, pois a variabilidade neste caso no chega a 2 C, enquanto para os demais
parmetros os valores para variabilidade ultrapassam a 8 C. Em contrapartida, a
retirada dos parmetros 1 e 3 pode ser considerada significante, pois afeta fortemente a
qualidade da inferncia, sendo que no caso da ausncia do parmetro 3 produz uma
inferncia extremamente ruidosa com elevada varincia. A inferncia obtida quando
78
excludo o parmetro 5 apresenta o mesmo resultado para a inferncia realizada com os
parmetros atuais. A justificativa est no fato de que o modelo empregado em linha
utiliza o quinto parmetro com valor igual a zero. Portanto, a anlise quantitativa dos
dados confirma a anlise de sensibilidades realizada anteriormente, j que ficou
caracterizada a influncia dos parmetros no modelo.

Aps esta avaliao, passou-se etapa de estimao dos parmetros. Para tal,
empregou-se o pacote computacional ESTIMA (NORONHA et al., 1993). O pacote
resolve problema de mxima verossimilhana com o mtodo Gaus-Newton. Os dados
experimentais foram considerados independentes e as varincias usadas foram aquelas
apresentadas na Tabela (4.1).

As Tabelas (4.11) a (4.13) apresentam os resultados estatsticos obtidos para os
novos parmetros do modelo inferencial.

Tabela 4.11: Resultados da estimao de parmetros do modelo inferencial.

Parmetro Limite inferior Limite superior Desvio-padro
Parmetro 1 6,53E-01 5,69E-01 7,37E-01 4,25E-02
Parmetro 2 -1,82E+01 -6,10E+01 2,45E+01 2,16E+01
Parmetro 3 6,86E-01 4,77E-01 8,95E-01 1,06E-01
Parmetro 4 -4,45E+01 -4,63E+01 1,35E+02 4,60E+01
Parmetro 5 1,02E-01 -3,39E-02 2,39E-01 6,90E-02

Tabela 4.12: Resultados da matriz de covarincia dos novos parmetros.
Matriz de Covarincia
1,81E-03 -2,47E-01 -2,34E-03 1,18E+00 2,97E-04
-2,47E-01 4,68E+02 4,58E-01 2,29E+02 -2,55E-03
-2,34E-03 4,58E-01 1,12E-02 -4,23E+00 -9,69E-04
1,18E+00 2,29E+02 -4,23E+00 2,12E+03 4,33E-01
2,97E-04 -2,55E-03 -9,69E-04 4,33E-01 4,76E-03



79
Tabela 4.13: Resultados da matriz de correlao dos novos parmetros.
Matriz de Correlao
1,00E+00 -2,68E-01 -5,20E-01 6,03E-01 1,01E-01
-2,68E-01 1,00E+00 2,00E-01 2,30E-01 -1,71E-03
-5,20E-01 2.00E-01 1,00E+00 -8,68E-01 -1,33E-01
6,03E-01 2.30E-01 -8,68E-01 1,00E+00 1,36E-01
1,01E-01 -1.71E-03 -1,33E-01 1,36E-01 1,00E+00

Os novos parmetros (4.11) apresentam valores em escala prximo aos
parmetros originais (exceto o parmetro 4); o que implica em um ajuste do modelo
inferencial s medidas de processo.

A significncia estatstica dos parmetros 2, 4 e 5 questionvel, pois estes
apresentam limites que passam pelo valor zero; o que indica possibilidade destes
parmetros assumirem este valor, no sendo significativos. Este fato tambm afetaria o
modelo inferencial, pois o parmetro oscila entre valores negativos e positivos, variando
a tendncia da inferncia.

Esta anlise estatstica concordante com a averiguao qualitativa realizada a
respeito da significncia dos parmetros, onde nota-se a baixa (quase nula) influncia de
alguns parmetros na qualidade da inferncia (Figura (4.19)). Neste contexto, a
eliminao de parmetros do modelo fica associada essencialmente qualidade da
predio, j que a remoo de parmetros pode prejudicar o desempenho do modelo,
mesmo quando estes parmetros no so significativos. Deve-se se observar, porm, que
um modelo super parametrizado quando fora da regio para qual foi realizada a
estimao pode fornecer predies de qualidade insatisfatria (SCHWAAB, 2007).

Na Figura (4.20) feita uma comparao entre os valores inferidos com os
novos parmetros e os dados de laboratrio.

80

Figura 4.20: Inferncia da T85% (--) comparada aos dados medidos de laboratrio ()
380
390
400
410
0 20 40 60 80 100 120 140 160
Amostragem
T
8
5
%

-

N
o
v
o
s

P
a
r

m
e
t
r
o
s

Com a re-estimao dos parmetros que a variabilidade da inferncia parece
estar qualitativamente mais coerente com a flutuao dos dados. Portanto, pode-se dizer
que a re-estimao dos parmetros do modelo capaz de melhorar a qualidade
estatstica da inferncia; logo, esta inferncia se apresenta mais confivel.

A Figura (4.21) compara os valores inferidos com os parmetros antigos e com
os novos parmetros do modelo inferencial, em ambas as situaes est sendo
empregado o bias.

As inferncias foram somadas ao bias, resultadas em nova inferncias. Percebe-
se que a re-estimao dos parmetros no afetou muito a qualidade da inferncia, se o
bias continua a ser empregado. Este resultado significa que alguns parmetros podem
realmente no ter influencia na predio, indicando que o modelo pode estar super
parametrizado. Neste caso, a m qualidade da inferncia no deve ser atribuda aos
parmetros e levanta questionamentos sobre a validade da estrutura do modelo.

81
390
395
400
405
410
0 20 40 60 80
Amostragem
T
8
5
%

(

C
)
100

Figura 4.21: Comparao entre os valores inferidos empregando o bias, com os
parmetros antigos (- -) e com os novos parmetros (- -).



4.5 ANLISE DO MODELO INFERENCIAL PROPOSTO


Aps a adequao do modelo, neste caso a re-estimao dos parmetros, o
modelo proposto avaliado. Desta vez, o objetivo avaliar melhoria na qualidade da
inferncia obtida pelo modelo com novos parmetros.

As Figuras (4.22) e (4.23), respectivamente, apresentam a nova inferncia e a
varincia de predio desta; enquanto a Tabela (4.14) apresenta a anlise de
caracterizao bsica (mdia e desvio-padro).

82

Figura 4.22: Inferncia da T85%.
3.98E+02
4.00E+02
4.02E+02
4.04E+02
0 20 40 60 80 100 120 140 160 180 200
Amostragem
T
8
5
%

(

C
)


Figura 4.23: Varincia da predio da T85%.
0.0E+00
5.0E+00
1.0E+01
1.5E+01
2.0E+01
0 20 40 60 80 100 120 140 160 180 200
Amostragem
V
a
r
i

n
c
i
a

d
a

P
r
e
d
i

o

Tabela 4.14: Mdia e desvio-padro para a inferncia, aps a adequao do modelo.
Inferncia
Mdia Desvio-padro
400,023 0,740

83
Constata-se uma melhoria na qualidade da predio (Figura 4.22), embora os
valores obtidos para os novos parmetros (Tabela 4.11) tenham se mantidos prximos
aos dos parmetros empregados pelo modelo empregado neste estudo e pelo modelo
inferencial em linha (como foi visto a diferena entre estes dois modelos nica e
exclusivamente o bias). Esta pequena diferena entre os parmetros pode indicar o
ajuste do modelo aos dados operacionais deste determinado perodo proposto para re-
estimao dos parmetros. Este fato leva a interpretar que a estimao de parmetros em
linha pode ser uma boa alternativa para obteno de inferncias mais confiveis.

Embora a re-estimao dos parmetros do modelo inferencial tenha apresentado
uma melhora na qualidade da inferncia, a varincia desta predio ainda se encontra
alta. Contudo, no se pode negar que houve uma reduo significativa do erro de
predio, quando compara-se a Figura (4.8) com a Figura (4.23), o que demonstra que
os parmetros afetavam a qualidade da inferncia, embora no sejam os nicos
responsveis por este problema. Os resultados da anlise bsica obtidos para a
inferncia aps a adequao do modelo mostram que a variabilidade da inferncia o
modelo aps a adequao do modelo inferencial bem pequena. importante lembrar,
que a varincia da predio calculada antes de ser realizada a adequao do modelo
empregava como matriz de covarincia dos parmetros uma matriz identidade, sendo
difcil avaliar essa melhoria do modelo inferencial s por esta anlise

Mas so as anlises dos resduos que apresentam mais claramente a melhoria
obtida a partir da re-estimao dos parmetros do modelo inferencial. A Figura (4.24)
apresenta os resduos obtidos a partir do novo modelo inferencial proposto e a Tabela
(4.15) caracterizao estatstica bsica. Comparando a Figura (4.24) com a Figura (4.9),
observa-se a grande melhoria do modelo, aps a re-estimao dos parmetros.

Como se pode observar, os resduos possuem valores menores, compreendidos
em um intervalo de amplitude muito menor, -5 a 2. Pode-se dizer que os valores esto
compreendidos entre -1 e 1. Isto indica que as inferncias obtidas a partir do novo
modelo proposto esto mais prximas do valor medido em laboratrio, do que com o
modelo inferencial atualmente empregado em linha (Figura (4.9)), pois oscilam com
menores amplitude e freqncia ao longo da amostragem. clara a existncia de um
84
ponto discrepante dos demais. Se este ponto desconsiderado pode-se dizer que o
desempenho do modelo excelente.


Figura 4.24: Comportamento dos resduos.
-5
-4
-3
-2
-1
0
1
2
0 10 20 30 40
Amostragem
R
e
s

d
u
o
s
50

As anlises da caracterizao bsica apresentam a influncia do ponto 19, cujo
valor -4,614, que torna a mdia negativa e o desvio-padro maior. Se este ponto
considerado um erro grosseiro e removido/substitudo, o valor obtido para a mdia
passa ento a ser 0,000 e o valor do desvio-padro reduzido metade. Como pode ser
visto, erros grosseiros modificam a mdia e o desvio-padro, fornecendo resultados
equivocados e no representativos.

Tabela 4.15: Mdia e desvio-padro para o resduo.
Resduos
Mdia Desvio-padro
-0,032 0,426

Os resultados das mdias e varincias mveis tambm indicam melhora na
qualidade da inferncia aps a adequao do modelo inferencial. As Figuras (4.25) e
(4.26) apresentam respectivamente os resultados da mdia mvel e da varincia mvel
dos resduos.

85

Figura 4.25: Intervalo de confiana (---) e mdia mvel (--).
-2.0E+00
-1.0E+00
0.0E+00
1.0E+00
2.0E+00
0 30 60 90 120 150
Janelas Dependentes
M

d
i
a

M

v
e
l



Figura 4.26: Intervalo de confiana (---) e varincia mvel (--).
0.0E+00
1.0E+00
2.0E+00
3.0E+00
4.0E+00
5.0E+00
6.0E+00
0 30 60 90 120
Janelas Dependentes
V
a
r
i

n
c
i
a

M

v
e
l
150

Em ambas as anlises os intervalos de confiana aparecem bem estreitos, o que
significa que os valores esto bem mais prximos do valor real. Observa-se tambm que
os resultados obtidos no intervalo de amostragem de 5 a 20, so influenciados por um
erro grosseiro, obviamente o resduo do ponto de amostragem 19. interessante
relembrar o quo prejudicial pode ser um erro grosseiro em um conjunto de dados,
dando margens a interpretaes errneas. Tambm importante perceber o quanto
86
importante o intervalo de confiana destas grandezas, visto que estes apontam
claramente a dificuldade de estar representando um valor real ou prximo disto.

Uma informao relevante o fato dos erros de predio do modelo inferencial
com os parmetros originais apresentar valores to altos que encobriam a presena de
erro grosseiro. Na ausncia do erro grosseiro, o desempenho do modelo homogneo
ao longo do intervalo de anlise, mostrando a melhoria da inferncia proposta.

Os resultados confirmam no s a melhoria da qualidade da inferncia, mas
tambm a no necessidade do bias aplicado ao modelo inferencial em linha. Os
resultados da mdia mvel apontam que o modelo no necessita bias, afinal os resduos
oscilam em torno do zero de forma uniforme e compatvel com os erros experimentais.
Esta observao confirmada pelos resultados obtidos para a varincia mvel, cujos
valores se apresentam bem prximos ao zero.

A Figura (4.27) apresenta os resultados para o clculo da conformidade da mdia
e da varincia.

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Resduos
C
o
n
f
o
r
m
i
d
a
d
e

d
a

M

d
i
a

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Resduos
C
o
n
f
o
r
m
i
d
a
d
e

d
a

V
a
r
i

n
c
i
a
(a) (b)
Figura 4.27: Conformidade da mdia e da varincia para o resduo.

O resultado de conformidade da mdia, Figura (4.27) grfico (a) confirma
claramente a no necessidade do acrscimo do bias ao modelo inferencial em linha. Este
resultado indica que as mdias entre os dados operacionais e a inferncia apresentam
total conformidade entre si, eliminando de todas as formas a hiptese do bias. O bias
aparentemente se auto-degrada durante as inferncias, no havendo motivo plausvel
87
para empreg-lo, j que no mantm consistncia estatstica. Portanto, ao adicionar o
bias predio, est sendo adicionado rudo ao modelo.

Com relao conformidade da varincia, pode se observar que a re-estimao
dos parmetros pode elevar este ndice, assegurando uma melhora da predio. No
entanto, a flutuao dos resduos no apresenta similaridade estatstica ao longo do
tempo.

Os espectros de varincia e de correlao so apresentados respectivamente
pelas Figuras (4.28) e (4.29).


Figura 4.28: Espectro de varincia dos resduos.
1.0E-01
2.0E-01
3.0E-01
2 3 4 5 6 7 8 9 10 11 12 1
Tamanho da Janela Mvel
E
s
p
e
c
t
r
o

d
e

V
a
r
i

n
c
i
a
3

O espectro de varincia apresentado na Figura (4.28) expressa o comportamento
tpico estacionrio. H uma constncia dos valores para os diferentes tamanhos de
janela mvel, no havendo dinmica na evoluo das mdias dos resduos. O mesmo
pode ser observado pelo espectro de auto-correlao, que cai bruscamente para o valor
zero logo no primeiro deslocamento. Portanto, os espectros de varincia e de correlao
apresentados indicam que os resduos esto se comportando de forma adequada para um
processo operando em uma regio de estabilidade. Ento, apesar de haver uma dinmica
de fundo no processo, o modelo parece filtr-la, mesmo tendo sido desenvolvido para
representar o estado estacionrio.
88


Figura 4.29: Espectro de auto-correlao dos resduos.
-1.0E+00
-5.0E-01
0.0E+00
5.0E-01
1.0E+00
0 10 20 30 40 5
Deslocamento
E
s
p
e
c
t
r
o

d
e

C
o
r
r
e
l
a

o
0

Novamente so realizadas as anlises de caracterizao da influncia das
variveis sobre o desempenho do modelo. Os resultados so apresentados nas Figuras
(4.30) (4.33) e na Tabela (4.16).

Na Figura (4.30) analisando a influncia das variveis no erro de predio
observa-se que a Varivel (10) interfere de modo significativo, enquanto as demais
variveis no apresentam qualquer influncia. A justificativa para tal pode estar no fato
desta varivel ser representada pela inferncia tomada na amostragem anterior da
varivel de sada atual.

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
V
a
r
i

v
e
l

(
0
1
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
2
)
(a) (b)
89
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
3
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
4
)
(c) (d)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
5
)

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
V
a
r
i

v
e
l

(
0
6
)
(e) (f)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
7
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
8
)
(g) (h)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
0
9
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

(
1
0
)
(i) (j)
90
Figura 4.30: Efeito dominante das variveis independentes sobre a inferncia.

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
1
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
2
)
(a) (b)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
3
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
4
)
(c) (d)
-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
P
a
r

m
e
t
r
o

(
0
5
)

-1
0
1
0 15 30 45 60 75 90 105 120 135 150
Amostragem
V
a
r
i

v
e
l

d
e

S
a

d
a
(e) (f)
Figura 4.31: Efeito dos parmetros e da varivel de sada sobre a inferncia.

Com relao aos parmetros o mesmo pode ser observado na Figura (4.31), que
com exceo do quinto parmetro todos os demais afetam de forma significativa o erro
de predio, sendo esta influncia negativa. Estes resultados indicam o aumento do erro
de predio quando a componente paramtrica anulada. Apesar de parecer
91
matematicamente incoerente, estes resultados demonstram que os parmetros do modelo
inferencial podem estar fortemente correlacionados, como mostrado na seo 3.35.
Portanto, parece bvio que a correta caracterizao das correlaes fundamental para a
compreenso apropriada dos erros de predio do modelo.

0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
Amostragem
P
r
o
b
a
b
i
l
i
d
a
d
e

A
b
s
o
l
u
t
a

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
T
e
s
t
e

-

P
r
o
b
a
b
i
l
i
d
a
d
e

A
b
s
o
l
u
t
a
(a) (b)
Figura 4.32: Probabilidades do modelo inferencial.

De acordo com anlise de probabilidade absoluta do modelo inferencial apenas
para o primeiro ponto amostral o modelo apresenta-se adequado, neste caso
representado pelo ndice 0 no teste de probabilidade absoluta. Observa-se que o trecho
crtico particular (intervalo de amostragem do ponto 6 ao 20) em que o modelo no se
apresenta adequado para representao dos dados, pois a probabilidade menor que o
nvel de confiana exigido. Ao analisar o grfico da inferncia (Figura (4.7)) este trecho
da amostragem realmente foi considerado bastante discrepante ao longo do perodo de
operao; este resultado tambm foi observado nas mdias e varincias mveis dos
resduos (Figuras (4.25) e (4.26)) que so estatisticamente mais confiveis medida que
se aumenta o nmero de amostragem.

Para os demais pontos do intervalo amostral a probabilidade absoluta continua a
assumir os valores 1, representados no teste de probabilidade absoluta pelo ndice 1.
Este resultado implica em um modelo com desempenho exageradamente bom, pois a
probabilidade maior que o nvel de confiana exigido. Neste caso, os resultados
confirmam a possibilidade do modelo estar super parametrizado.


92
Tabela 4.16: Deteco de erros grosseiros (EG) nos resduos.
Resduos
Nmero de EG Nmero mximo de EG Probabilidade Acumulada de EG
2 8 0,0182

-1
0
1
0 10 20 30 40 50 60 70 80 90 100
Amostragem
T
e
s
t
e

-

D
e
t
e
c

o

d
e

E
r
r
o
s

G
r
o
s
s
e
i
r
o
s

Figura 4.33: Deteco de erros grosseiros nos resduos.

O nmero de erros grosseiros detectados continua a expressar a boa qualidade
estatstica dos dados amostrados, pois de acordo com o baixo valor obtido para a anlise
da probabilidade acumulada de erros grosseiros (Tabela 4.16). No teste de deteco de
erros grosseiros apresentado pela Figura (4.34), observam-se 2 pontos que foram
considerados erros grosseiros negativos, sendo que o ponto 19 pode ser reconhecido
como tal ao observar os resduos (Figura (4.24)). Neste caso, possvel que os altos
valores obtidos para os resduos calculados com o modelo empregando os parmetros
originais mascarassem esses pontos estatisticamente discrepantes do conjunto de dados.
93
CAPTULO V
CONCLUSES E SUGESTES
Apesar de parecer um paradoxo, toda cincia exata
baseada na idia de aproximao.
BERTRAND RUSSEL
Neste estudo foi apresentada uma abordagem estatstica para monitoramento e
avaliao de inferncias, com foco nos modelos inferenciais. Como ilustrao, foi
apresentada o caso da inferncia da temperatura a 85% do diesel produto do processo de
refino. Foram realizadas anlises dos dados operacionais e do modelo inferencial
empregado, a fim de investigar a consistncia estatstica da inferncia. Posteriormente,
foi proposta a adequao do modelo.
A anlise estatstica do modelo inferencial demonstra que embora, o modelo seja
utilizado em linha, no se apresenta estatisticamente adequado para realizao da
inferncia em questo. Esta anlise tambm indica que o bias usado no necessrio do
ponto de vista estatstico. Esse parmetro pode estar acrescentando varincia adicional
ao processo e induzindo alteraes dos valores desejados (set points) usados nos
esquemas de controle, alm aparentemente degradar ao longo da amostragem.
Embora a adequao do modelo por meio da reestimao dos parmetros tenha
tornado possvel obter predies estatisticamente mais consistentes com a operao do
94
95
processo, h fortes indcios de que o modelo est super parametrizado. Essas concluses
podem ser relacionadas ao fato de que h parmetros que pouca influncia exerce sobre
o desempenho de predio e ao fato de que as probabilidades do modelo so quase
sempre muito prximas de um.
Assim, neste trabalho foram apresentadas ferramentas estatsticas para a anlise
de inferncias, que avaliam a qualidade das informaes do processo e que investigam a
confiabilidade do modelo inferencial, permitindo ainda a discriminao entre modelos
inferenciais quando outros modelos esto disponveis. Os resultados obtidos em um
problema modelo validam a utilizao das ferramentas desenvolvidas. O baixo tempo
de simulao encoraja o uso dessas ferramentas em linha.
Finalmente, so oferecidas algumas sugestes para trabalhos futuros. Para este
estudo de caso, sugere-se trabalhar a estrutura do modelo inferencial empregado para a
predio da temperatura a 85% do diesel produto. Se possvel, deve-se adotar uma nova
abordagem para modelagem do problema de inferncias do diesel produto, empregando
procedimentos estatsticos de reduo de modelos. No deixa de ser aconselhvel um
estudo aprofundado a respeito do processo, a fim de se obter um modelo mais preciso
(fenomenolgico), capaz de fornecer inferncias mais precisas em tempo real.
sugerido ainda o uso de redes neuronais, caso um estudo mais aprofundado do processo
no seja de interesse. importante tambm avaliar cuidadosamente a estratgia de
adio do bias ao modelo inferencial. Sugestes mais abrangentes compreendem:
i. Adoo de uma estratgia de deteco de erros grosseiros que seja
independente ao uso do modelo inferencial.
ii. Adoo do procedimento de (re) estimao dos parmetros em tempo real.
iii. Adoo do procedimento de reconciliao de dados das variveis
operacionais em tempo real.
iv. Insero de testes de normalidade, para os dados operacionais.
v. Definio das matrizes experimentais, para uma melhor avaliao dos erros
experimentais e da influncia destas variveis nestes erros.
vi. O estudo e implementao de ferramentas estatsticas para reduo de
modelos.
REFERNCIAS
ALBERTOS, P., GOODWIN, G. C., 2002, Virtual Sensors for Control Applications,
Annual Reviews in Control, v. 26, pp. 101-112.
ALBUQUERQUE, J. S., BIEGLER, L. T., 1996, Data reconciliation and gross-error
detection for dynamic systems, AIChE Journal, v. 42, pp. 2841-2856.
AMY, L. T., 1992, Automation Systems for Control and Data Acquisition. 2 ed., North
Carolina, ISA.
ARAZO-BRAVO, M. J., CANO-IZQUIERDO, J. M., GMEZ-SNCHEZ, E., et al.,
2004, Automatization of a penicillin production process with soft sensors and an
adaptive controller based on neuro fuzzy systems, Control Engineering
Practice, v. 12, pp. 1073-1090.
ASSIS, A. J., MACIEL FILHO, R., 2000, Soft sensors development for on-line
bioreactor state estimation, Computers and Chemical Engineering, v. 24, pp.
1099-1103.
BARD, Y., 1974, Nonlinear Parameter Estimation. 1 ed., New York, Academic Press.
BERTHOUEX, P. M., BOX, G. E., 1996, Time Series Models for Forecasting
Wastewater Treatment Plant Performance, Water Research, v. 30, pp. 1865-1875.
BOGAERTS, P., WOUWER, A. V. A. V., 2004, Software sensors for bioprocesses,
ISA Transactions, v. 42, pp. 547-558.
BOGAERTS, P., WOUWER, A. V. A. V., 2004, Parameter identification for state
estimationapplication to bioprocess software sensors, Chemical Engineering
Science, v. 59, pp. 2465-2476.
BOX, G. E.P., 1979, Robustness in the strategy of scientific model building, in
Robustness in Statistics. New York, Academic Press: R.L. Launer and G.N.
Wilkinson, Editors.
96
BOX, G.E.P., HUNTER, W.G., HUNTER, J. S., 1978, Statistics for experimenters. 2
ed., New York, John Wiley & Sons.
BOYER, S. A., 1999, SCADA Supervisory Control and Data Acquisition. 2 ed., North
Carolina, ISA Instrumentation Systems and Automation Society.
CHATTERJEE, T., SARAF, D. N., 2004, On-line estimation of product properties for
crude distillation units, Journal of Process Control, v. 14, pp. 6177.
CHEN, X., GAO, F., CHEN, G., 2004, A soft-sensor development for melt-flow-
length measurement during injection mold filling, Materials Science and
Engineering A, v. 384, pp. 245254.
CHEN, J., ROMAGNOLI, J. A., 1998, A strategy for simultaneous dynamic data
reconciliation and outlier detection, Computers Chemical Engineering, v. 22, pp.
559-562.
CHOI, D., PARK, H., 2001, A hybrid artificial neural network as a software sensor for
optimal control of a wastewater treatment process, Water Research, v. 35, pp.
39593967.
CRAMER, H., 1946, Mathematical Methods of Statistics. New Jersey, Princeton
University Press.
DAI, X., WANG, W., DING, Y., SUN, Z., 2006, Assumed inherent sensor inversion
based ANN dynamic soft-sensing method and its application in erythromycin
fermentation process, Computers and Chemical Engineering, v. 30, pp. 1203
1225.
DAVE, D. J., DABHIYA, M.Z.; SATYADEV, S.V.K.; GANGULY, S.; SARAF, D.N.,
2003, Online tuning of a steady state crude distillation model for real time
applications, Journal Process Control, v. 13, pp. 267282.
DESAI, K., BADHE, Y, TAMBE, S. S., KULKARNI, B. D., 2006, Soft-sensor
development for fed-batch bioreactors using support vector regression,
Biochemical Engineering Journal, v. 27, pp. 225239.
DUFOUR, P., BHARTIYA, S., DHURJATI, P. S., DOYLE, F. J., 2005, Neural
network-based software sensor: training set design and application to a continuous
pulp digester, Control Engineering Practice, v. 13, pp. 135143.
97
FACCO, P., DOPLICHER, F., BEZZO, F., BAROLO, M., 2008, Moving average PLS
soft sensor for online product quality estimation in an industrial batch
polymerization process, Journal of Process Control, v. 19, pp. 520529.
FEITKENHAUER, H., MEYER, U., 2004, Software sensors based on titrimetric
techniques for the monitoring and control of aerobic and anaerobic bioreactors,
Biochemical Engineering Journal, v. 17, pp. 147151.
FELDMAN, R. N., 2005. Reconciliao de Dados em Tempo Real para Monitorao e
Deteco de Falhas em Terminal de Transporte e Armazenamento de Derivados de
Petrleo. Tese de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
FORTUNA, L., GRAZIANIA, S., XIBILIA, M. G., 2005, Soft sensors for product
quality monitoring in debutanizer distillation columns, Control Engineering
Practice, v. 13, pp. 499-508.
FORTUNA, L., RIZZO A., SINATRA, M., XIBILIA, M. G., 2003, Soft analyzers for
a sulfur recovery unit, Control Engineering Practice, v. 11, pp. 1491-1500.
FORTUNA, L., GRAZIANI, S., RIZZO, A., XIBILIA, M. G., 2007, Soft Sensors for
Monitoring and Control of Industrial Processes. 1 ed. New York, Springer-Verlag.
FREITAS, K. P., COSTA, A. O. S., COSTA Jr., E. F., 2006, Descrio da
deslignificao com oxignio da celulose empregando redes neurais, In
Proceedings: 9 Encontro de Modelagem Computacional, Belo Horizonte,
Novembro.
FREITAS, K. P., PRATA, D. M., LIMA, E., PINTO, J. C., 2008, Monitoramento em
tempo real no processo de refino com base em soft sensors e anlise de cluster, In
Proceedings: 11 Encontro de Modelagem Computacional, Volta Redonda,
Novembro.
FROZZA, E., LUZ Jr., L. F. L., 2005, Elaborao de Modelo de Inferncia para
Controle de Unidade de Destilao Atmosfrica de Petrleo, In: Proceedings of
the 3 Congresso Brasileiro de P&D em Petrleo e Gs, Salvador, Outubro.
FRIEDMAN, Y. Z., 2005, Comments on On line estimation of product properties for
crude distillation unit by Tirtha Chatterjee and Deoki N. Saraf [Journal of Process
Control 14 (2004) 6177], Journal of Process Control, v. 15, pp. 847.
98
GONZALEZ, G. D., 1999, Soft Sensors for processing plants, In: Proceedings 2nd
International Conference on Intelligent Processing and Manufacturing of Materials
IPMM 99, Hawaii, Julho.
HIMMELBLAU, D. M., 1970, Process analysis by statistical methods. New York, John
Wiley & Sons.
JAIN, P., RAHMAN, I., KULKARNI, B. D., 2007, Development of a soft sensor for a
batch distillation column using support vector regression techniques, Chemical
Engineering Research and Design, v. 85, pp. 283-287.
JAMES, S. C., LEGGE, R. L., BUDMAN, H., 2008, On-line estimation in bioreactors:
A review, Reviews in Chemical Engineering, v. 16, pp. 311-340.
JANA, A. K., SAMANTA, A. N., GANGULY, S., 2005, Nonlinear model-based
control algorithm for a distillation column using software sensor, ISA
Transactions, v. 44, pp. 259271.
KANO, M., SHOWCHAIYA, N., HASEBE, S., HASHIMOTO, I., 2003, Inferential
Control of Distillation Compositions: Selection of Model and Control
Configuration, Control Engineering Practice, v. 11, pp. 927-933.
KOMIVES, C., PARKERY, R. S., 2003, Bioreactor state estimation and control,
Current Opinion in Biotechnology, v. 14, pp. 468474.
KOURTI, T., 2006, The Process Analytical Technology initiative and multivariate
process analysis, monitoring and control, Analytical and Bioanalytical Chemistry,
v. 384, pp. 10431048.
KRUSKAL, W., FERGUSON, T. S., TUKEY, J. W., GUMBEL, E. J., ANSCOMBE, F.
J., 1960, Discussion of the paper of Messrs. Anscombe and Daniel,
Technometrics, v. 2, pp. 157-165.
LIN, B., RECKE, B., KNUDSEN, J. K. H., JRGENSEN, S. B., 2007, A Systematic
Approach for Soft Sensor Development, Computers and Chemical Engineering, v.
31, pp. 419-425.
LIEBMAN, M. J., EDGAR, T. F. AND LASDON, L. S., 1992, Efficient data
reconciliation and estimation for dynamic processes using nonlinear programming
techniques, Computers Chemical Engineering, v. 16, pp. 963-986.
99
LINKO, S., ZHU, Y., LINKO, P., 1999, Applying neural networks as software sensors
for enzyme engineering, Trends in Biotechnology, v. 17b, pp. 155-162.
LIU, J., 2007, On-line soft sensor for polyethylene process with multiple production
grades, Control Engineering Practice, v. 15, pp. 769778.
MASSON, M. H., CANU, S., GRANDVALET, Y., LYNGGAARD-JENSEN, A.,
1999, Software sensor design based on empirical data, Ecological Modelling, v.
12, pp. 131-139.
MATSUMURA, S., IWAHARA, T., OGATA, K., FUJII, S., SUZUKI, M., 1998,
Improvement of de-NOx device control performance using a software sensor,
Control Engineering Practice, v. 6, pp. 1267-1276.
MCBRAYER, K. F. AND EDGAR, T. F., 1995, Bias detection and estimation in
dynamic data reconciliation, Journal Process of Control, v. 5, pp. 285-289.
MILETIC, I., QUINN, S., DUDZIC, M., VACULIK, V., CHAMPAGNE, M., 2004,
An Industrial Perspective on Implementing On-Line Applications of Multivariate
Statistics, Journal of Process Control, v. 14, pp. 821-836.
MILLER, W.J., MCDONALD, J.F., PINSKER, W., 1997, Molecular domestication of
mobile elements, Genetica, v. 100, pp. 261-270.
MONTGOMERY, D. C., 2004, Introduo ao controle estatstico da qualidade. 4 ed.
Rio de Janeiro, LTC.
MORAD, K, SVRCEK, W. Y., MCKAY, I., 1999, A robust direct approach for
calculating measurement error covariance matrix, Computers and Chemical
Engineering, v. 23, pp. 889897.
NORONHA, F. B., PINTO, J. C., MONTEIRO, J. L., LOBO, M. W., SANTOS, T. J.,
1993, Um Pacote Computacional para Estimao de Parmetros e Projeto de
Experimentos. Technical Report, PEQ/COPPE, Universidade Federal do Rio de
Janeiro, Rio de Janeiro.
PARK, S., HAN, C., 2000, A nonlinear soft sensor based on multivariate smoothing
procedure for quality estimation in distillation columns, Computers and Chemical
Engineering, v. 24, pp. 871-877.
PRATA, D. M., 2005. Reconciliao de Dados em um Reator de Polimerizao. Tese
100
Dissertao de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
PRATA, D. M., FREITAS, K. P., LIMA,E.L., PINTO, J.C., 2008, Anlise de Clusters
para Deteco de Erros Grosseiros e Reconciliao de Dados: Aplicao
Industrial, In: Proceedings of the XVII Congresso Brasileiro de Engenharia
Qumica COBEQ 2008, Recife, Setembro.
QUELHAS, A. D., PINTO, J. C., 2009, Soft sensor models: Bias updating revisited,
In: Proceedings of the International Symposium on Advanced Control of Chemical
Processes 2009, Istambul, Turquia.
RATKOWSKY, A.D., 1990, Handbook of Nonlinear Regression Models. New York,
Marcel Dekker.
SCHLADT, M., HU, B., 2007, Soft Sensors based on Nonlinear Steady-state Data
Reconciliation in the Process Industry, Chemical Engineering and Processing, v.
46, pp. 1107 1115.
SCHWAAB, M., 2007. Desenvolvimento e implementao de novas tcnicas de
estimao de parmetros e planejamento. Tese de D.Sc., COPPE/UFRJ, Rio de
Janeiro, RJ, Brasil.
SCHWAAB, M., SILVA, F. M., QUEIPO, C. A., BARRETO JR., A. G., NELE, M.,
PINTO, J. C., 2007, A new approach for sequential experimental design for model
discrimination, Chemical Engineering and Processing, v. 61, pp. 5791 5806.
SCHWAAB, M., PINTO, J. C., 2007, Anlises de Dados Experimentais I -
Fundamentos de Estatstica e Estimao de Parmetros. 1 ed. Rio de Janeiro, e-
papers.
SHARMIN, R., SUNDARARAJ, U., SHAH, S., GRIEND, L. V., SUN, Y., 2006,
Inferential Sensors for Estimation of Polymer Quality Parameters: Industrial
Application of a PLS-based Soft Sensor for a LDPE Plant, Chemical Engineering
Science, v. 61, pp. 6372 6384.
SKEIE, N., MYLVAGANAM, S., LIE, B., 2006, Using multi sensor data fusion for
level estimation in a separator, In: Proceedings of the 16th European Symposium
on Computer Aided Process Engineering and 9th International Symposium on
Process Systems Engineering, Garmisch-Partenkirchen, Julho.
101
SOTOMAYOR, O. A. Z., PARK, S. W., GARCIA, C., 2002, Software sensor for on
line estimation of the microbial activity in activated sludge systems, ISA
Transactions, v. 41, pp. 127-143.
SOROUSH, M., 1998, State and parameter estimations and their applications in
process control, Computers and Chemical Engineering, v. 23, pp. 229-245.
TALAIE, A., MIRHOSSEINI, A. R., ROMAGNOLI, J., TAGUCHI, T., 1998, A new
application of soft-computing theory to conducting polymer sensors: a pH
estimation study, Computational and Theoretical Polymer Science, v. 18, pp. 291-
295.
THAM, M. T., MONTAGUE, G. A., MORRIS, A. J., LANT, P. A., 1991, Soft-sensors
for process estimation and inferential control, Journal Process Control, v. 1, pp. 3-
14.
TONG, H., CROWE, C.M., 1995, Detection of Gross Errors in Data Reconciliation by
Principal Component Analysis, AIChE Journal, v. 41, pp. 17121722.
TONG, H., CROWE, C. M., 1996, Detecting persistent gross errors by sequential
analysis of principal components, Computers & Chemical Engineering, v. 20, pp.
733-738.
YAN, W., SHAO, H., WANG, X., 2004, Soft sensing modeling based on support
vector machine and Bayesian model selection, Computers and Chemical
Engineering, v. 28, pp. 1489-1498.
YAN, X., 2008, Modified nonlinear generalized ridge regression and its application to
develop naphtha cut point soft sensor, Computers and Chemical Engineering, v.
32, pp. 608-621.
YANG, Y., CHAI, T., 1997, Application of statistical theory of adjustment to material
balances, In Proceedings of the American Control Conference, Albuquerque, New
Mxico, Junho.
ZAMPROGNA, E., BAROLO, M., SEBORG, D. E., 2001, Composition estimations in
a middle-vessel batch distillation column using artificial neural networks,
Chemical Engineering Research and Design, v. 79, pp. 689-696.
ZAMPROGNA, E., BAROLO, M., SEBORG, D. E., 2005, Optimal Selection of Soft
102
103
Sensor Inputs for Batch Distillation Columns Using Principal Component
Analysis, Journal of Process Control, v. 15, pp. 39-52.
ZANATA, D. F. P., 2005. Desenvolvimento de Sensor Virtual empregando Redes
Neurais para Medio da Composio em uma Coluna de Destilao. Tese de
M.Sc., USP, So Paulo, SP, Brasil.
ZANIN, A. C., 1993, Inferncia da Destilao ASTM e do Ponto de Nvoa do Diesel
Linha da UC da RPBC, In Proceedings: IX Encontro Tcnico de Destilao da
PETROBRAS, Curitiba , Novembro .
ZHANG, J., MARTIN, E. B., MORRIS, A. J., KIPARISSIDES, C., 1997, Inferential
Estimation of Polymer Quality Using Stacked Neural Networks, Computers
Chemical Engineering, v. 21, pp. 1025-1030.
ZHONG, W., YU, J., 2000, MIMO Soft Sensors for Estimating Product Quality With
On-Line Correction, Trans IChemE, v. 78a, pp. 91-103.

Vous aimerez peut-être aussi