METROLOGIA-2003 – Metrologia para a Vida

Sociedade Brasileira de Metrologia (SBM)

Setembro 01−05, 2003, Recife, Pernambuco - BRASIL

MODELAGEM EMPÍRICA DO TEMPO DE ACOMODAÇÃO EM LEITURAS

AUTOMÁTICAS DE GRANDEZAS ELÉTRICAS

Affonso Guedes1 , Andreya P. Silva2 , Elaine S. Lelis3 , Eurípedes P. Santos4 , Fábio M. Soares5 , João
Claudio D. Carvalho6 , Marcelino S. Silva7 , Marcelo M. Costa 8 , Rodolfo da S. Alves9 , Rodrigo M. S.
Oliveira10 , Suely M.C. Romeiro11
1-5, 7-11
UFPa, Belém, Brasil
6
Eletronorte, Belém, Brasil

Resumo: Em calibrações automáticas o “time-out” é o
tempo necessário para que a leitura esteja disponível para
aquisição pelo computador e portando deve ser especificado
com base no tempo de acomodação necessário para que as
leituras estabilizem.
Este trabalho apresenta um estudo sobre a modelagem
empírica do tempo de acomodação de instrumentos
utilizados em calibração no LACEN. A freqüência do sinal
de entrada senoidal constitui-se na variável de entrada e o
tempo necessário para a aquisição da leitura é considerado
como a resposta desejada. São investigados modelos
lineares e não-lineares para a dinâmica dos instrumentos em
diferentes faixas de operação para diferentes amplitudes do
sinal de entrada. Para a seleção de modelos, com base em
dados experimentais, utiliza-se a técnica estatística de
Validação-Cruzada. O Erro de Predição é avaliado com base
no Erro Quadrático Médio. Investiga-se também a
capacidade de predição dos modelos obtidos.
Palavras chave: Calibração Automática, Modelagem
Estatística, Validação-Cruzada
tempo mínimo para a leitura automática não era o mesmo,
ele tinha uma variação de acordo com a faixa, a freqüência e
grandeza considerada. Modelar esse tempo de acomodação
nas leituras é de suma importância para garantir eficiência
no processo de calibração automática e principalmente
segurança dos dados obtidos. Este trabalho apresenta um
estudo relacionado a modelagem empírica do tempo de
acomodação ou aquisição de leituras realizadas em uma
calibração automática. Dá-se ênfase a métodos apropriados
para a seleção de modelos, com especial atenção ao método
de validação-cruzada.
1.1 O Time-out
Em comunicações entre dois dispositivos, o time-out pode
ter dois significados:
- Tempo máximo para envio de uma simples resposta ao
controle (confirmando que o dispositivo sob controle
recebeu o comando);
- Tempo máximo para envio da resposta ao controle, já
com o valor requerido.

1. INTRODUÇÂO
O Laboratório Central da Eletronorte (Lacen) tem sido o
local de realização de todos os experimentos contidos neste
artigo. São oferecidos neste laboratório serviços de
calibração de grandezas elétricas. Atualmente, o Lacen está
credenciado à Rede Brasileira de Calibração, utilizando-se
os padrões do INMETRO, e é o principal agente na região
norte do País a realizar calibrações de grandezas elétricas
para os mais diversos. Através da pesquisa e
desenvolvimento, o Lacen se encontra em processo de
automação de seus serviços de calibração, utilizando para
isso recursos tais quais computadores, softwares para
aquisição de dados, equipamentos diversos (multímetros,
calibradores, osciloscópios, contadores, etc) com interfaces
RS-232 e GPIB.
Há pouco mais de um ano, quando o Lacen começou a
automatizar o processo de calibração, a definição de um
tempo de leitura tornou-se um problema. Para cada
equipamento, verificou-se através de experimentos que o
2. MÉTODOS
2.1 Instrumentos utilizados e suas configurações:
Instrumento 1: Multímetro Digital (MD) Agilent 3458A.
Função: medir uma tensão AC (Alternating Current); iniciar
a integração quando receber um trigger externo; gerar um
pulso (Ext Out) quando a integração for finalizada.
Instrumento 2: Multicalibrador Fluke 5500A.
Função: gerar uma tensão AC.
Instrumento 3: Gerador de Sinal Agilent.
Função: gerar um pulso TTL.
Instrumento 4 :Freqüencímetro Agilent
Função: ativar a contagem do tempo com a chagada do sinal
A, e finalizar a contagem com a chagada do sinal B.
2.2 Esquema das conexões:
4 resposta a sinais de tensão AC em diferentes freqüências.
A B
3 1
C Dado o custo operacional em se determinar os tempos de
2
Fig. 1. Esquema das conexões
Na figura 1 está ilustrado o esquema de conexões utilizado.
Onde tem-se
A: Trigger Externo, pulso TTL que inicia a contagem do
tempo pelo freqüencímetro e a integração feita pelo MD
Agilent 3458A.
B: Ext Out, pulso TTL que indica o término da integração
feita pelo MD Agilent 3458A.
C: Tensão AC.
2.3 Procedimentos
1. O Multicalibrador Fluke 5500A é ajustado para excitar o
MD Agilent 3458A, com uma tensão AC (C) com uma certa
freqüência .
2. O Gerador de Sinal Agilent gera um pulso TTL (A), o
qual inicia a contagem do tempo feita pelo Freqüencímetro
Agilent, e a integração feita pelo MD Agilent 3458A.
3. Ao término da integração, o MD Agilent 3458A gera um
pulso TTL (B), que finaliza a contagem do tempo no
Freqüencímetro Agilent.
4. São feitas anotações sobre o tempo indicado pelo
Freqüencímetro Agilent e da freqüência da tensão AC.
5. Muda-se a freqüência da tensão aplicada pelo
Multicalibrador Fluke 5500A, e retorna-se ao passo 1,
quantas vezes forem necessárias.
Obs: para cada freqüência diferente são feitas três medidas
do tempo de acomodação, isto é, do tempo gasto na
integração do sinal C.
2.4 Acerca dos dados experimentais
Utilizando-se os instrumentos, esquema de conexões e
procedimentos descritos nas subseções 2.1, 2.2 e 2.3, foram
obtidos diversos valores para os tempos de acomodação em
Também observou-se que os tempos de aquisição das
leituras não variam significativamente com a amplitude do
sinal de entrada. Por isso, doravante considera-se a
freqüência como variável independente, e o tempo de
acomodação da leitura como a variável dependente. Os
dados utilizados neste trabalho correspondem a uma
amplitude de 5Vrms para a excitação AC.
3. A CONSTRUÇÃO DE MODELOS EMPÍRICOS
acomodação das leituras para diferentes freqüências da
tensão de entrada AC. Uma alternativa de menor custo
consiste em supor a existência de uma lei ou função que
relacione estas duas variáveis e então tentar obter um
modelo que aproxime a função original desconhecida. Isto
pode ser feito por meios empíricos, isto é, com base em
dados experimentais. De posse de tal modelo, seria possível
ter-se uma predição para o tempo de acomodação da leitura
para uma dada freqüência do sinal de excitação.
3.1 O Ajuste por meio de Polinômios
Neste trabalho, os modelos empíricos são construídos com
base em polinômios. Sabe-se que estes modelos apresentam
uma dependência linear da variável de resposta
relativamente aos seus coeficientes ou parâmetros. Porém
dependendo do grau do polinômio a variável de resposta
pode relacionar-se de forma linear ou não linear com
respeito a variável independente.
Considere que estejam disponíveis pares de dados (xr ,yr ) (r =
1, …, m), onde xr é um valor da variável dependente x e y r é
o valor correspondente observado para a variável
dependente y. Supõe-se a existência de uma lei segundo a
qual os valores de y são produzidos a partir de x pela
aplicação de alguma função desconhecida f(x). Deseja-se
ajustar aos dados y1 , …,ym um polinômio yk(x) de ordem ou
grau k, dado por
y k (x ) = a 0 + a1 x +L + ak x k . (1)
onde a 0 , a 1 , … , a k são os coeficientes ou parâmetros
ajustáveis do polinômio.
Ajustar yk(x) aos dados significa que
e r é pequeno para cada r = 1, …, m. (2)
Onde o erro er é dado por
e r = y k (x r ) − y r . (3)
.
Na equação (3) o operador | | produz o valor absoluto do
argumento.
Dependendo do grau k do polinômio e do número de pontos
(xr ,yr ) disponíveis, pode-se ter um problema de Interpolação
ou um problema de Ajuste no atendimento das condições em
(2). Caso k+1≥m, existem parâmetros a r em número quadrados [3]. Em um mínimo de E os parâmetros a 0 , …, a k
suficiente tal que o erro yk(x r )-yr pode ser feito nulo para devem satisfazer as equações (8).
cada valor de r. Ou em outras palavras, se os coeficientes ar
A solução das equações normais pode ser obtida por meio
forem selecionados de modo a fazer com que a curva yk(x)
de rotinas disponíveis em diversos pacotes computacionais.
passe por cada ponto (xr ,yr ), então diz-se que o problema é
Algoritmos para a solução de (8) não constituem-se a ênfase
de interpolação polinomial. Porém quando k+1<m, não é
deste trabalho e portanto não serão tratados aqui. Leitores
possível fazer com que todos os erros yk(x r )-yr sejam feitos
interessados podem recorrer à referência [2]. Sabe-se que
nulos simultaneamente. Neste caso as m condições definidas
embora a equação normal seja fácil de ser deduzida, a
em (2) competem entre si. Desde que os pares (xr ,yr ) são
solução da mesma para polinômios de ordem superior a k=8
considerados como fixos, o vetor e cujas componentes são
torna-se difícil e sujeita a erros numéricos. De forma
os m valores er definidos em (3), depende somente dos
genérica pode-se dizer que cada método particular
parâmetros a 0 , …, a k A forma precisa de como tratar a
selecionado para a solução de (8) vai encontrar dificuldades
competição aludida acima depende da definição de uma
em fazê-lo a partir de algum valor elevado de k [3].
norma para o vetor de erro e. Em geral no caso k+1<m
deseja-se aproximar a lei f(x) desconhecida, e a partir daí
calcular y para algum x que não consta nos dados 4. A SELEÇÃO DO MODELO
experimentais disponíveis. Este é o problema de ajuste de
Nesta seção trata-se o problema da seleção do melhor
dados [2] .
polinômio para o conjunto de dados experimentais
Vale ressaltar que as técnicas de interpolação e ajuste são disponíveis. Em simples palavras, supondo-se a
ambas técnicas de aproximação de funções. Porém devido a disponibilidade de programas para a solução das equações
prováveis erros experimentais nos dados (xr ,yr ), o ajuste é normais para polinômios de diferentes graus k, surge a
preferível à interpolação, visto que ele tende a produzir uma questão: como escolher o correto grau k a ser utilizado?
função que representa um comportamento médio, em vez de Como dito na seção anterior, valores elevados de k tendem a
procurar uma função que interpola os m pontos disponíveis produzir interpolação, o que embora produza um valor
[2]. No que segue emprega-se a técnica de ajuste. pequeno para o índice definido em (4), também implica na
assimilação dos ruídos inerentes aos dados.
Um critério comumente empregado para medir a qualidade
do ajuste tem como base a norma euclidiana do vetor de erro A seguir são apresentadas duas técnicas estatísticas para a
e seleção da ordem k do melhor polinômio.

Ε (a 0 , a1 , L , a k ) = ∑ {y r − y k (x r )}2
m
(4) 4.1 Seleção do Modelo com Base na Teoria de Regressão
r =1
Conforme descrito em [3], este método assume que as
Com base neste índice de desempenho busca-se determinar amostras {yr } são independentes e normalmente distribuídas
a 0 , …, a k que minimizam E . Na literatura técnica este h +1
problema de minimização é também denominado de acerca de alguma tendência polinomial y h +1 ( x) = ∑ ri x i ,
i= 0
Problema dos Mínimos Quadrados.
com variância σ2 independente de r. Então adota-se a
Se a função quadrática E tem um mínimo para a 0 , …, a k, hipótese nula de que rh+1 = 0, não importando quais valores
implica que r0 , … , rh e σ2 possam ter. O teste estatístico da hipótese
nula de que rh+1 = 0, pode ser estabelecido de forma simples
∂E
= 0 , para todo i = 0,1,…,k. (5) com base em σ h2 e σ h2+1 , como segue. Seja yk(x) o
∂a i
polinômio de grau k que melhor se ajusta ao dados yr no
Após calcular as derivadas indicadas em (5), ver referência sentido de minimizar o índice E definido em (4). Define-se
[3], define-se os escalares 2
δk2 = ∑ {y r − y k ( x r )} .
m
(9)
g ih = ∑ ( x r ) h ( x r ) i = ∑ ( x r )h +i .
m m
(6) r =1
r =1 r =1
e
γ i = ∑ y r ( xr ) .
m
i
(7) δ k2
r =1 σ k2 = . (10)
m − k −1
Então obtém-se o seguinte s istema de equações
Sob a hipótese nula, o valor esperado da estatística σ h2 é
g 00 a 0 + g 01 a1 + L + g 0 k a k = γ 0
independente de k, para k = h+1, h+2, … , m-2. Onde m é o
L L L L L L L L (8)
número de pontos experimentais disponíveis.
g k 0 a 0 + g k1 a 1 + L + g kk a k = γ k
A aplicação prática deste método requer que a variância σ k2
Estas equações são chamadas de equações normais do
seja calculada para k = 1, 2, … . Enquanto for observado
problema de ajuste de dados segundo o critério de mínimos
decrescimento significativo em σ k2 a medida que k é
incrementado, pode-se presumir que yk(x) é um modelo
válido para os dados. Se após um certo valor de k = k 1 não
há decréscimo significativo emσ k2 , isto é, σ k2 ≈ σk21 para
todo k ≥ k 1 . Então pode-se presumir que os dados yr são
representados de forma realística pelo polinômio y k1 ( x ) . O
desenvolvimento de testes adequados para encontrar k 1
depende de experiência. Neste trabalho o procedimento
implementada para encontrar k 1 consiste em selecionar o
grau k para o qual a fração de decréscimo na variância σ k2+1
relativamente a σ k2 é inferior a 5%. Ou seja,
σk2 − σ k2+1
selecionar k, tal que 0 < < 0. 05
σk2
O critério de seleção definido pelas equações (9) e (10)
também é tratado, embora com menos detalhes, em
literaturas próprias do campo da metrologia, tais como [1],
[4]-[6].
4.2 Seleção de Modelo com Base em Validação-Cruzada
(Cross-Validation)
Um procedimento freqüentemente adotado no ajuste de
modelos, consiste em particionar os dados disponíveis em
dois conjuntos, com seleção aleatória das amostras
componentes. Um dos conjuntos, dito de treinamento, é
utilizado na construção do modelo, e o outro conjunto, dito
de teste ou de validação, é utilizado para estimar o erro de
predição do modelo. Se existem n pontos (xj ,yj ) no conjunto
de teste, uma estimativa do erro de predição é dada por
( ( ))
2
1 n
Ep = ∑ y j − yk x j . (12)
n j =1
Note que em (12) yk(x j ) é calculado a partir do modelo
obtido pelo uso do conjunto de treinamento, avaliado no
ponto xj do conjunto de teste. Contudo, se o conjunto de
dados não é grande, particioná-lo em dois apresenta a
desvantagem óbvia de não utilizar todos os dados
disponíveis no ajuste do modelo, o que pode ter impacto
sobre a qualidade do modelo obtido. Para contornar este
problema, pode-se particionar repetidamente os dados em
diversos conjuntos de treinamento e de teste. Esta é a idéia
fundamental a respeito da validação-cruzada.
A forma mais geral do procedimento de validação cruzada é
denominada de Validação-Cruzada em K Blocos (K- fold
cross-validation). A idéia básica é particionar os dados em K
partições de tamanhos aproximadamente iguais, com seleção
aleatória das amostras componentes. Então, uma partição é
reservada para teste e o restante dos dados é utilizado para
ajustar o modelo. O conjunto de teste é utilizado para
calcular o erro de predição. Este procedimento é repetido até
que todas as K partições tenham sido utilizadas como
conjunto de teste. A média dos erros de predição obtidos
para cada conjunto de teste é o erro de predição estimado
para o modelo. Abaixo são descritos os passos envolvidos
na validação-cruzada [7],[8]
1. Particione o conjunto de dados em K partições disjuntas.
Por simplicidade assume-se m = r × K, tal que existem r
observações em cada partição.
2. Separe uma das partições para propósito de validação.
3. Use os m-r pontos remanescentes para ajuste do modelo.
4. Use o modelo recém obtido com o conjunto de teste e
calcule o erro de predição parcial definido em (12).
5. Repita os passo de 2 a 4 até que todos as K partições
tenham sido utilizadas como conjunto de teste.
6. Determine o erro de predição, que é a média dos K erros.
Em muitas situações nas quais o conjunto de observações é
(11)
relativamente pequeno o analista pode escolher K = m,
resultando em conjuntos de teste de tamanho 1. Isto vai
requerer que o modelo seja ajustado m vezes, esta escolha
pode resultar em um custo computacional elevado se m é
grande. No presente trabalho os conjuntos de teste tem
comprimento igual a 1.
5. SIMULAÇÕES E DISCUSSÃO DE RESULTADOS
Os dados experimentais disponíveis são formados por pares
(fi ,ti ) em que a variável independente fi corresponde a
freqüência do sinal senoidal sob medição e ti corresponde ao
tempo de acomodação para a leitura. O conjunto de pontos
utilizados na seleção e ajuste dos modelos é composto por
74 pares do tipo (fi ,ti ). A fim de amenizar os problemas de
mal condicionamento numérico associados à solução da
equação normal (8) para valores elevados de k, em todas as
situação os dados foram normalizados [3] segundo
z i = ξi × 2 ξ 0 . (13)
onde zi representa a variável na escala primitiva e ξ
representa a variável na nova escala. O mapeamento (13) é
aplicado separadamente a cada uma das variáveis
independente e dependente conhecidas. As variáveis da nova
escala ξ são tais que
− 2 36 +1 ≤ ξ 0 ≤ 236 −1 . (14)
ξi <1 (15)
e
1
≤ max 1≤i ≤m ξi < 1 (16)
2
 Para uma análise mais completa, fez-me uma comparação de
desempenho entre um polinômio de 6a. ordem e um
polinômio de 22a. ordem. Para tanto, o conjunto de dados
utilizados, contendo 23 amostras, é desconhecidos de ambos
os modelos. A figura 6 ilustra o comportamento de cada um
dos modelos. Os erros de predição obtidos foram de 25.81 e
29.89 para os modelos de 6a. e 22a. ordens, respectivamente.
Portanto, o modelo de 6a. ordem apresenta desempenho
superior para amostras não contidas no conjunto de
treinamento.

Fig. 2 Variâncias para a seleção de modelo

Fig. 5 Erros de predição para

modelos de ordem elevada

Fig. 3 Variâncias para modelos de

ordem elevada

Fig. 4 Erro de Predição, Validação

Cruzada

As figuras 2 e 3 ilustram os valores de variância para

polinômios de diferentes graus ajustados aos dados.
Conforme o procedimento descrito na subseção 4.1. Note
que segundo este método de seleção de modelos, o melhor
modelo para os dados corresponde a um polinômio de
ordem 6. No gráfico a escala das ordenadas corresponde aos
dados normalizados.
Fig. 6 Ajustes produzidos por
Nas figuras 4 e 5 pode-se observar o comportamento do erro
polinômios de 6 a . (-) e 22a . (--) ordens
de predição calculado segundo o critério de validação
cruzada discutido na subseção 4.2. Segundo este critério o
modelo que produziria menor erro de predição tem ordem
igual a 6.
6. CONCLUSÕES
Neste trabalho buscou-se modelar por meio de polinômios a
relação entre o tempo de acomodação das leituras da
grandeza tensão AC em função da freqüência do sinal. A
obtenção de um bom modelo para esta relação seria de
grande utilidade por permitir a definição de um “time-out”
adequado para os ensaios envolvendo calibrações
automáticas, otimizando assim o processo de aquisição das
leituras. Além disso apresenta-se uma discussão a respeito
da seleção de modelos. Tal discussão mostra-se útil visto
que em grande parte da literatura associada à metrologia os
modelos considerados são polinomiais [1],[4]-[8].
Na figura 6 pode-se observar que os dados experimentais
são atípicos por apresentarem descontinuidades na região de
maior variação dos tempos de acomodação, no caso na faixa
que vai de 10 a 1000 Hz. Estas descontinuidades são
caracterizadas por variações abruptas no tempo de
acomodação de algumas leituras, embora correspondentes a
valores de freqüência muito próximos. Dada a grande
dificuldade oferecida pelos dados experimentais, os modelos
polinomiais apresentaram um desempenho pobre no que se
refere a predição. Em verdade o presente conjunto de dados
vai oferecer obstáculos na obtenção de bons modelos de
predição mesmo para métodos de regressão mais bens
elaborados [8], visto que esses métodos também adotam a
premissa de que a função desconhecida que gerou os dados é
suave.
Nas simulações realizadas não foi possível detectar qualquer
indício de superioridade relativa entre os métodos de seleção
de modelos apresentados. Ambos indicaram modelos de
mesma ordem. Contudo do ponto de vista computacional o
método advindo da teoria de regressão apresenta custo
computacional menor quando comparado com a validação-
cruzada. Ainda assim sabe-se que ao contrário do primeiro,
o método de validação-cruzada não requer a adoção a priori
de hipóteses concernentes a distribuição estatística dos
dados experimentais ou a respeito das características dos
modelos utilizados no ajuste de dados.
Sendo assim, são necessários maiores estudos com base em
outros conjuntos de dados oriundos de outros experimentos,
a fim de julgar o potencial de aplicação da técnica de
validação cruzada na área de metrologia, como alternativa
aos métodos de seleção de modelos em uso corrente.
REFERÊNCIAS
[1] R. H. Dieck, “Measurement Uncertainty”, Instrument
Society of America, 1997.
[2] D. M. Cláudio, J, M. Marins “Cálculo Numérico
Computacional: Teoria e Prática”, Atlas, 2 a . Edição, 1994.
[3] G. E. Forsythe, “Generation and Use of Orthogonal
Polynomials for Data-Fitting with a Digital Computer”, J.
Soc. Indust. Appl. Math., vol. 5, No. 2, , pp. 75-88, June
1957.
[4] J. H. Vuolo “Fundamentos da Teoria de Erros”, Ed. Edgard
Blücher Ltda., 2a . Edição, 1996.
[5] I. Lira “Evaluating the Measureme nt Uncertainty:
Fundamentals and practical guidance”, IOP Publishing Ltd,
2002.
[6] S. G. Rabinovich “Measurement Errors and Uncertainties:
Theory and Practice”, Springer-Verlag 2nd Ed, 2000.
[7] W. L. Martinez, A. R. Martinez “Computational Statistics
Handbook with MATLAB”, Chapman & Hall/CRC, 2002.
[8] V. Cherkassky, F. Mulier “Learning From Data: Concepts,
Theory, and Methods”, John Wiley & Sons, Inc., 1998.
Autor: A comunicação com os autores pode ser feita através do e -
mail projetoCalibracao@yahoogrupos.com.br ou por meio do
telefone 0xx-91-210-8373 (Eletronorte).