Modelagem de Colunas de Destilao Atravs de Modelos Auto-

regressivos

Adelson Siqueira Carvalho Luis Humberto Guillermo Felipe
Universidade Estadual do Norte Fluminense - Uenf

RESUMO
Sistemas dinmicos so em sua grande maioria no lineares e de dinmica no totalmente conhecida,
desta forma costuma-se criar certa distncia entre o sistema real e o gerado a partir de tcnicas de
modelagem analtica. Modelos mais significativos podem ser gerados a partir de mtodos que utilizem
um conjunto de dados oriundo do sistema real, dentre estes se podem destacar os modelos auto-
regressivos. O presente trabalho objetiva apresentar a modelagem de uma coluna de destilao
didtica com estes modelos, e destacar as particularidades da metodologia. Como principal
contribuio, a validao do modelo com dados de outros testes dinmicos que no o utilizado para
estimao dos parmetros.
Palavras-Chave: Sistemas dinmicos, modelos auto-regressivos, colunas de destilao.
1- INTRODUO
O problema abordado neste trabalho a dificuldade ao se modelar sistemas dinmicos
e no lineares para otimiz-los, haja vista que estes no possuem explicitadas as relaes entre
suas variveis e no linearidades destas relaes.
Os sistemas dinmicos encontrados na prtica so, em ltima anlise, no lineares.
bem verdade que em alguns casos aproximaes lineares so suficientes para aplicaes
prticas AGUIRRE (2000).
Sistemas dinmicos esto presentes na maioria das empresas de processos contnuos,
onde as variveis que influenciam na qualidade do produto final so analgicas. Dentre as
quais se destacam: temperatura, vazo, nvel e presso. As indstrias petroqumicas, lcool,
celulose e de cimento se enquadram nesta classe.
Nestas indstrias, cuja produo contnua, e que possuem como essncia a produo
de derivados a partir de matria-prima, a destilao um processo de predominncia.
Sobretudo nas indstrias petroqumica e do lcool o principal processo de transformao de
matria prima em produto acabado.
Colunas de destilao ou torres de destilao esto presentes em grande nmero nas
usinas de produo de lcool e tambm em refinarias de petrleo, e unidades de
processamento de gs-natural. Estes processos industriais so perfeitos exemplos de sistemas
dinmicos, multivariveis e de comportamento no linear.
Na indstria comum que a matria prima seja destilada inicialmente em uma coluna
A (fracionadora) obtendo assim uma gama de derivados. Alguns destes por sua vez seguem
para uma coluna B (retificadora) para a extrao de derivados de maior valor agregado. Este
procedimento presente tanto na indstria do petrleo quanto na do lcool.
2 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
A coluna de destilao do CEFET-Campos, assim como as colunas de destilao
industriais, so sistemas dinmicos
1
, multivariveis, e no lineares. Estes sistemas para serem
otimizados primeiro devem ser modelados. O problema est ento em encontrar a melhor
classe de modelos que represente a relao entre suas variveis.
A proposta deste trabalho utilizar modelos auto-regressivos para modelar a relao
entre as principais variveis da coluna de destilao, levando em considerao as restries
construtivas do equipamento e do sistema de medio.
Este artigo apresenta na seo 2 o objeto de estudo e seu sistema de aquisio de
dados, e na seo 3 o estado-da-arte da pesquisa. Na seo 4 o ferramental terico utilizado
para modelagem do sistema em questo. A seo 5 coloca a metodologia proposta e aplicao
da mesma aos dados. Na seo 6 os resultados so apresentados na forma de grficos e
tabelas. Na seo 7 este artigo apresenta a concluso do trabalho de pesquisa.
2- OBJETO DE ESTUDO
A partir de um sistema real instalado no laboratrio de pesquisa e automao do
CEFET-Campos, podem-se coletar dados das principais variveis de processo de uma coluna
de destilao didtica, e a partir deles ajustar uma classe de modelos paramtricos que
reproduzam de maneira satisfatria o comportamento do sistema real.
Visando o desenvolvimento de pesquisa e aprimoramento no processo de destilao, o
professor Luiz Paulo Miranda Vaillant, do curso de Qumica da ento Escola Tcnica Federal
de Campos, hoje Centro Federal de Educao Tecnolgica de Campos RJ (CEFET
CAMPOS) projetou uma coluna de destilao para fins didticos. Em 1989, como resultado
de um intercmbio entre a Refinaria Nacional de Sal Sal Cisne localizada em Cabo Frio
RJ e a instituio, o curso tcnico de Instrumentao recebeu como doao a coluna de
destilao CRESPO (2000).
De um modo geral as destilaes na prtica industrial envolvem misturas
multicomponentes, porm a compreenso dos princpios da destilao de misturas binrias
particularmente importante, pois ela constitui a base de operaes mais complexas GOMIDE
(1988).
Diferente dos sistemas industriais a coluna de destilao em questo no apresenta
subsistemas como referverdor da base da coluna e refluxo de topo. A fonte trmica uma
resistncia eltrica de 1000W, alojada no interior da base da coluna. Todo o destilado obtido
se condensa e coletado em uma proveta, portanto a temperatura de topo controlada
totalmente atravs da vazo na entrada, uma vez que a resistncia eltrica no varia.


Figura 1. Coluna de destilao didtica do CEFET-Campos.

1
Sistemas dinmicos so sistemas cujas variveis possuem determinado comportamento, que sofre
influncia do fator tempo.
3 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Como forma de reproduzir em laboratrio o ambiente encontrado na indstria, a
coluna de destilao possui um sistema de aquisio de dados de porte industrial. Os
instrumentos de medio das variveis do processo so interligados em uma rede Foundation
Fieldbus (H1) do fabricante Smar. Atravs de uma DFI a rede de instrumentos se integra a
uma rede ponto-a-ponto com o computador (HSE), onde so disponibilizadas as informaes
oriundas do processo e estas podem ser monitoradas e modificadas atravs do software de
configurao dos instrumentos (Syscon).
Atravs de uma integrao entre os seguintes aplicativos: Syscon, OPC link e
InTouch 6.0, um script foi criado para registrar os valores numricos das variveis ao longo
do tempo em arquivo texto. Este arquivo manipulado posteriormente para que seja montada
a matriz de dados para formar os conjuntos de estimao e validao dos modelos
paramtricos para gerar o modelo do sistema.
As variveis registradas pelo sistema de aquisio so: temperatura de topo da coluna,
presso do topo, temperatura da base, nvel da base, vazo de entrada da mistura.
Posteriormente as variveis sero divididas em dois conjuntos: variveis de entrada e
variveis de sada do sistema.
3- ESTADO DA ARTE
A modelagem de colunas de destilao atravs de modelos auto-regressivos
consolidada sobre pesquisas relacionadas a diversas reas de conhecimento, tais como:
sistemas dinmicos, engenharia de controle e processamento de sinais, sempre com intuito de
obteno do modelo dinmico do processo para fundamentar anlises e projetos que venham a
melhorar seu desempenho em operao.
Sob a tica da pesquisa operacional, uma coluna de destilao pode ser enxergada
como um problema de otimizao, dotado de funo objetivo e restries. Encontrar as
relaes implcitas aos dados oriundos deste sistema, dar suporte para a modelagem da
funo objetivo do problema. A tcnica se sustenta no potencial dos modelos auto-regressivos
propostos para a modelagem de sistemas dinmicos multivariveis.
AGUIRRE et ali (1998), aplicaram modelos NARMAX (auto-regressivos no
lineares de mdia mvel e entradas externas), para modelar um forno eltrico com elemento
de aquecimento interno de 200W.
BARROSO et ali (2002) apresentaram a identificao de um conversor CC-CC
BUCK, que possua faixa restrita para os valores de entrada.
FURTADO et ali (2002), experimentaram modelos NARMAX para identificao de
um forno a arco eltrico, modelados e gerados os dados no MATLAB, apenas para
verificao da eficcia do mtodo.
JURADO e CARPIO (2003) aplicam os modelos NARX para identificao de uma
micro-turbina composta pelos demais subsistemas: combustvel, controle de velocidade e de
temperatura.
MORAES (2004) apresenta uma abordagem com modelos auto-regressivos lineares
com variveis exgenas (ARX) para modelar os diversos subsistemas de uma unidade de
fracionamento de Nafta, que grosso modo, nada mais que uma coluna de destilao.
BRAVO (2006) utiliza modelos ARX para identificao da resposta dinmica de um
motor DC, utilizando dois softwares distintos: MATLAB e LABVIEW.
4 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
JNIOR e BARBABELA (2006) utilizaram modelos auto-regressivos para predio
de valores futuros dos preos de derivados de petrleo, onde modelavam sries temporais com
histrico superior a dez anos e atravs de correlao cruzada, definiram a ordem dos modelos
auto-regressivos.
4- FERRAMENTAL TERICO
4.1 - MODELOS AUTO-REGRESSIVOS
A metodologia proposta neste trabalho faz uso de representaes lineares, para
modelagem de sistemas dinmicos, atravs de equaes de recorrncias conhecidas como
modelos auto-regressivos.
A metodologia que assume a utilizao de modelos auto-regressivos para a
modelagem de sistemas e sries temporais teve suas bases inicialmente descritas por JNIOR
e BARBABELA (2006), e possui etapas bem definidas.
Podem-se descrever as etapas desta metodologia em quatro itens gerais:
Identificao: a etapa de definio dos filtros mais adequados para a srie analisada.
Utilizar filtros em excesso na descrio de uma srie no promove previses melhores, alm
de complicar desnecessariamente seu processamento matemtico.
Estimao: escolhidos os filtros, estimam-se as ordens e os parmetros que compem
os modelos. Novamente, importante manter o modelo em sua forma mais simples, com a
menor ordem em cada filtro. Elevar a ordem, ou seja, usar dados referentes ao passado
distante que no exercem influencia sobre o comportamento presente no melhora o
desempenho do modelo.
Diagnstico: determinar a acurcia do modelo estimado atravs da comparao dos
dados previstos com os dados obtidos a partir da srie real. Nessa etapa realizada avaliao
para verificar se o modelo capaz de prever de forma segura o comportamento futuro do
mercado. Caso no seja obtido sucesso no seu uso como preditor, retornam-se as etapas
anteriores para a busca de um novo modelo.
Aplicao: aps as etapas anteriores terem obtido xito, a ferramenta colocada em
uso BOX e JENKINS (1994).
Estas combinaes de filtros so as componentes possveis ao selecionar a estrutura de
modelo auto-regressivo, tendo em vista as caractersticas do sistema a ser modelado.
Os modelos auto-regressivos possuem diversas variaes e formatos em que podem
ser apresentados. Abaixo so apresentadas algumas destas variaes em sua forma polinomial
compacta e estendida.
O modelo auto-regressivo AR o mais comum destes modelos paramtricos e sua
formulao a seguinte:
) ( ) ( ) (
1
t e t y q A =

, onde o polinmio ) (
1
q A pode ser expandido para:
a
a
n
n
q a q a q A

+ + + = ... 1 ) (
1
1
1

Sendo assim a verso expandida do modelo AR fica sendo:
) ( ) ( ... ) 1 ( ) (
1
t e n t y a t y a t y
a n
a
= + + +
Se, ao modelo AR for acrescentado uma entrada externa ) (t u que nada mais que uma
srie temporal de uma varivel tida como entrada que tambm deve ser admitida como parte
5 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
que explica o comportamento de ) (t y , ou seja, o valor de ) (t y no pode ser explicado somente
pelos seus valores atrasados, mas tambm pelos valores atrasados de outra varivel. Chega-se
ao seguinte modelo ARX:
) ( ) ( ) ( ) ( ) (
1 1
t e n t u q B t y q A
k
+ =

, onde:
1 1
2 1
1
... ) (
+
+ + + =
b
b
n
n
q b q b b q B
O modelo ARX expandido seria:
) ( ) 1 ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
2 1 1
t e n n t u b n t u b n t u b n t y a t y a t y
b k n k k a n
b a
+ + + + + = + + +

onde na e nb so as ordens dos polinmios ) (
1
q A e ) (
1
q B , enquanto que nk o
nmero de atrasos da sada para a entrada. Se acrescentada uma componente de mdia mvel
(MA) ao modelo passamos a um modelo ARMAX, descrito por:
) ( ) ( ) ( ) ( ) ( ) (
1 1 1
t e q C n t u q B t y q A
k

+ = , onde:
c
c
n
n
q c q c q C

+ + + = ... 1 ) (
1
1
1
, possvel notar que o polinmio ) (q C similar a o
polinmio ) (q A .
Aplicando os polinmios expandidos no modelo ARMAX, tem-se:
) ( ... ) 1 ( ) (
) 1 ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
1
2 1 1
c n
b k n k k a n
n t e c t e c t e
n n t u b n t u b n t u b n t y a t y a t y
c
b a
+ + + +
+ + + + + = + + +

Existem ainda outras variaes dos modelos auto-regressivos que possuem
denominaes prprias tais como os modelos OE (Output Error) e BJ (Box & Jenkins).
A estrutura do modelo OE a seguinte:
) ( ) (
) (
) (
) (
1
1
t e n t u
q F
q B
t y
k
+ =

, onde:
f
f
n
n
q f q f q F


+ + + = ... 1 ) (
1
1
1
, similar ao polinmio ) (
1
q A ,
a estrutura do modelo BJ a seguinte:
) (
) (
) (
) (
) (
) (
) (
1
1
1
1
t e
q D
q C
n t u
q F
q B
t y
k

+ = , onde:
d
d
n
n
q d q d q D

+ + + = ... 1 ) (
1
1
1
, similar ao polinmio ) (
1
q A
De uma forma geral, existe um modelo que representa qualquer um dos modelos auto-
regressivos anteriormente mencionados, ou seja, qualquer modelo linear e discreto no tempo.
Dado pela equao:
) (
) (
) (
) (
) (
) (
) ( ) (
1
1
1
1
1
t e
q D
q C
n t u
q F
q B
t y q A
k

+ = , podendo ser utilizado para todos os casos

anteriores, sendo que estes seriam casos especiais onde, as ordens dos polinmios
desnecessrios seriam zeradas da seguinte forma:
Tabela 1. Tabela de polinmios desconsiderados por modelo.
6 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Modelo Grau do polinmio a ser zero
AR ) ( ), ( ), ( ), (
1 1 1 1
q D q C q F q B ou seja,
c f b
n n n , , e 0 =
d
n
ARX ) ( ), ( ), (
1 1 1
q D q C q F ou seja,
c f
n n , e 0 =
d
n
ARMAX ) ( ), (
1 1
q D q F ou seja,
f
n e 0 =
d
n
OE ) ( ), ( ), (
1 1 1
q D q C q A ou seja,
c a
n n , e 0 =
d
n
BJ ) (
1
q A ou seja, 0 =
a
n
Dependendo do sistema a ser modelado ele pode possuir mais de uma entrada externa
gerando a seguinte estrutura:
) (
) (
) (
) (
) (
) (
... ) (
) (
) (
) ( ) (
1
1
1
1
1
1
1
1
1 1
1
t e
q D
q C
nk t u
q F
q B
n t u
q F
q B
t y q A
u u
u
u
n n
n
n
k

+ + + =
Demais estruturas podem ser encontradas na literatura, mas para este trabalho explanar
sobre estas, o suficiente.
4.2 - O MTODO DE MNIMOS QUADRADOS
Dos modelos auto-regressivos apresentados na seo anterior, o escolhido para ajustar-
se aos dados do sistema foi o ARX (auto-regressivo com entradas externas).
O modelo ARX da seo anterior pode ser visto como um sistema de equaes e ter
seus coeficientes estimados atravs do mtodo dos mnimos quadrados. O mtodo pode ser
resumido da seguinte forma.
) ( ) ( ) ( ) ( ) (
1 1
t e n t u q B t y q A
k
+ =

, onde:
a
a
n
n
q a q a q A

+ + + = ... 1 ) (
1
1
1

1 1
2 1
1
... ) (
+
+ + + =
b
b
n
n
q b q b b q B
O modelo ARX expandido seria:
) ( ) 1 ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
2 1 1
t e n n t u b n t u b n t u b n t y a t y a t y
b k n k k a n
b a
+ + + + + = + + +

Modificando sua forma para aplicao do mtodo dos mnimos quadrados:
) ( ) 1 ( ) ( t e t t y
T
+ = (1)
| | ) 1 ( , ), 1 ( ), ( , ), 1 ( ) 1 (
b a
T
n t u t u n t y t y t =
| |
b a
n n
T
b b a a , , , , ,
0 1
=
Onde ) 1 ( t
T
a matriz de valores coletados do processo para as variveis
envolvidas no modelo, neste caso considera-se um modelo relacionando uma varivel de sada
) (t y com uma varivel de entrada ) (t u . O vetor de coeficientes a serem estimados atravs do
mtodo dos mnimos quadrados . Um erro obtido na modelagem representado por ) (t e .
O mtodo de mnimos quadrados largamente utilizado para estimao de parmetros
do modelo de sistemas lineares discretos no tempo.
7 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
De incio ser assumido que se conhece o valor estimado do vetor de parmetros, , e
que cometido um erro e ao se tentar explicar o valor observado de y a partir do vetor de
regressores
T
e de , ou seja,
e y
T
+ = (2)
A partir da o que se tem a fazer determinar o ndice de desempenho do mtodo,
sendo que
MQ
J a funo custo a ser minimizada:

=
= = =
N
i
T
MQ
e e e i e J
1
2
2
) ( (3)
MQ
J quantifica a qualidade de ajuste de
T
ao vetor de dados y . Portanto tido
como vantajoso que o valor estimado de minimize
MQ
J .
Determinando-se e em (2) e substituindo-se o resultado em (3), tem-se:

T T T T T T T T
MQ
y y y y y y J + = = ) ( ) ( (4)
A fim de minimizar a funo custo
MQ
J com respeito , necessrio resolver
( ) 0 / = c c
MQ
J . Fazendo-se isso, tem-se:

T T T T T T T T MQ
y y y y
J
2 ) ( ) ( + = + + =
c
c
(5)
Igualando-se a ltima equao a zero tem-se:
y
T T

1
] [

= (6)
Para que seja mnimo, necessrio verificar que:
0 2
2
2
> =
c
c

T MQ
J
(7)
A inequao (7) verdadeira, pois
T
2 positiva definida por construo. Portanto,
a equao (6) o estimador que fornece o valor de que minimiza o somatrio do quadrado
dos erros. Resumindo:
y J
T T
MQ MQ


1
] [ min arg

= = (8)
5- METODOLOGIA APLICADA
A metodologia aplicada aos dados do processo para a modelagem atravs dos auto-
regressivos apresentada nesta seo, na forma de etapas:

Figura 2. Etapas da metodologia aplicada aos dados.
Na etapa de tratamento dos dados, necessrio realizar certas adequaes nos dados
originais obtidos pelo sistema de aquisio, para que possam ser utilizados durante as etapas
da metodologia.
8 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Os dados originais foram tabulados em arquivo texto, e possuem 3540 amostras de
cinco variveis do processo, sendo elas: temperatura no topo da coluna, vazo de entrada de
produto, temperatura na base da coluna, presso no topo da coluna e nvel de produto na
base da coluna.
0 500 1000 1500 2000 2500 3000 3500 4000
0
10
20
30
40
50
60
70
80
90
100

Figura 3. Grfico das variveis do processo: temperatura no topo da coluna (), vazo de entrada de
produto (- -), temperatura na base da coluna (+), presso no topo da coluna (o) e nvel de produto na base da
coluna (*).
Como primeiro passo no tratamento dos dados foi realizado uma seleo de amostras
para compor o conjunto de dados para a estimao do modelo auto-regressivo e um outro
conjunto para a etapa de validao do modelo.
Devido alta taxa de amostragem do sistema de aquisio e registro das variveis, as
amostras sero selecionadas para compor os conjuntos e tambm reduzindo o conjunto
original. As amostras para estimao sero selecionadas com intervalo uniforme de dez, e
contendo, portanto 354 amostras. O padro de validao seguir passo uniforme de vinte,
contendo, portanto 177 amostras. Em valores percentuais, seleciona-se do novo conjunto
66,6% para estimao e 33,3% para validao.
O objetivo da montagem de dois subconjuntos a partir do original utilizar dados no
inclusos no procedimento de estimao dos parmetros do modelo auto-regressivo, para
validar o modelo obtido e seu poder de predio da sada da planta para novos cenrios de
entrada.
Os conjuntos montados na primeira etapa da metodologia so referentes a um nico
teste na forma de degrau na vazo de entrada da coluna, sendo assim tanto o conjunto de
estimao quanto os de validao possuem dinmica similar. Todavia, testes dinmicos
diferentes foram realizados na planta, sero utilizados para uma segunda etapa de validao e
o desempenho do modelo ser verificado.
A segunda etapa da metodologia visa seleo da macro-estrutura do modelo auto-
regressivo utilizado. Esta escolha passa pela montagem de uma combinao de componentes,
a componente AR indica que o modelo possui a caracterstica de ser auto-regressivo, ou seja,
o processo gerador da srie temporal em estudo pode ser descrito por uma combinao linear
de seus valores em instantes passados e coeficientes a serem estimados pelo mtodo dos
mnimos quadrados.
9 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
A componente X representa que a srie temporal a ser predita sofre influncia de
sries temporais externas.
Por momento outras componentes, tais como MA mdia mvel e S sazonalidade, para
o modelo no sero investigadas. Logo o modelo a ser submetido aos dados e ao
procedimento de estimao do tipo ARX (auto-regressivo com entradas externas).
Na terceira etapa da metodologia aplica-se o modelo auto-regressivo selecionado aos
dados, para que os estimadores mnimos quadrados possam encontrar um conjunto de
coeficientes que venha a minimizar os quadrados dos desvios entre sada do modelo e sada da
planta.
Logo, nesta etapa o grande problema definir a ordem do modelo auto-regressivo, o
que implica em definir o tamanho do modelo final, uma vez que estas ordens representam o
nmero de valores passados das sries temporais envolvidas sero considerados no modelo
para que este venha a predizer a resposta de maneira mais correta possvel.
A regra mais utilizada em sries temporais o chamado critrio de informao de
Akaike, denotado por AIC. A definio mais comumente utilizada :
m n AIC 2 ) ( log
2
+ =
e

Onde m o nmero de parmetros em modelos ARMA( q p, ) 1 + + = q p m , e

e =
e
2 2
) / 1 (
t
n . EHLERS (2003).
O uso do AIC pressupe que existe uma ordem predefinida para incluso dos termos
candidatos seqencialmente no modelo. Primeiramente, assume-se que o nmero de termos
do rudo fixo, portanto, com os termos do rudo no modelo, uma ordem de incluso dos
demais termos seria: ), 2 ( ), 2 ( ), 1 ( ), 1 ( k u k y k u k y e assim por diante. Quando AIC
passar por um mnimo o procedimento pode ser terminado e a ordem ter sido determinada
AGUIRRE (2000).
A rotina que seleciona a melhor ordem do modelo ARX baseada nos conceitos
apresentados foi implementada no MATLAB e culminou na seleo de um modelo ARX (5 [5
5 5 5] [5 5 5 5]) onde o mesmo possui quatro variveis externas (vazo de entrada,
temperatura da base, presso do topo e nvel da base) e uma varivel resposta (temperatura de
topo). A mesma rotina foi desenvolvida utilizando o FPE (Final Prediction Error) e a ordem
dos modelos foi idntica, bem como os parmetros estimados.
1 1.5 2 2.5 3 3.5 4 4.5 5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0

Figura 4. A curva do AIC calculado atravs das iteraes da rotina.
10 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14

Figura 5. A curva do FPE calculado atravs das iteraes da rotina.
Ao final da aplicao da metodologia:
) ( ) ( ) ( ) ( ) ( t e t u q B t y q A + =

=

+ =
5
1
1 ) (
n
n
n
q a q A

=

+ =
5
2
1
1
) ( 1
n
n
n
q b b q B

=

+ =
5
2
1
1
) ( 2
n
n
n
q b b q B

=

+ =
5
2
1
1
) ( 3
n
n
n
q b b q B

=

+ =
5
2
1
1
) ( 4
n
n
n
q b b q B
Tabela 2. Tabela dos coeficientes do modelo auto-regressivo obtido.
Coeficientes dos polinmios encontrados pela pelo mtodo EMQ
) (q A ) ( 1 q B ) ( 2 q B ) ( 3 q B ) ( 4 q B
1
a - 2,248
1
b 0,4129
1
b 0,007853
1
b -0,008054
1
b -0,01412
2
a 1,305
2
b - 1,249
2
b - 0,01017
2
b - 0,0276
2
b - 0,0008789
3
a 0,9101
3
b 0,6213
3
b - 0,00962
3
b - 0,01039
3
b - 0,01158
4
a - 1,338
4
b 0,7253
4
b 0,01178
4
b 0,04191
4
b 0,005631
5
a 0,3709
5
b - 0,4801
5
b 0,002372
5
b 0,01722
5
b 0,01357
6- RESULTADOS
Depois de estimados os valores para os parmetros do modelo auto-regressivos via
mnimos quadrados, este foi simulado com dados do conjunto de estimao e dados do
conjunto de validao.
11 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
0 50 100 150 200 250 300 350 400
45
50
55
60
65
70
75
80

Figura 6. Sada do modelo (- -) comparada sada do sistema () para os dados utilizados na estimao.
0 20 40 60 80 100 120 140 160 180
45
50
55
60
65
70
75
80
85

Figura 7. Sada do modelo (- -) comparada sada do sistema () para os dados de validao.
A seguir so apresentados os resduos da modelagem para os conjuntos de estimao e
validao.
0 50 100 150 200 250 300 350 400
-2.5
-2
-1.5
-1
-0.5
0
0.5
1

Figura 8. Resduos da modelagem para o conjunto de estimao.
12 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
0 20 40 60 80 100 120 140 160 180
-15
-10
-5
0
5
10
15

Figura 9. Resduos da modelagem para o conjunto de validao.
0 500 1000 1500 2000 2500
50
55
60
65
70
75
80

Figura 10. Sada do modelo (- -) comparada sada do sistema () validao com dados do teste
dinmico dois.
0 200 400 600 800 1000 1200 1400
66
68
70
72
74
76
78
80

Figura 11. Sada do modelo (- -) comparada sada do sistema () validao com dados do teste
dinmico trs.
13 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
0 200 400 600 800 1000 1200 1400 1600 1800 2000
78.4
78.6
78.8
79
79.2
79.4
79.6
79.8
80
80.2

Figura 12. Sada do modelo (- -) comparada sada do sistema () validao com dados do teste
dinmico quatro.
0 200 400 600 800 1000 1200 1400
79
79.2
79.4
79.6
79.8
80
80.2
80.4

Figura 13. Sada do modelo (- -) comparada sada do sistema () validao com dados do teste
dinmico cinco.
Os testes dinmicos considerado foram efetuados na coluna de destilao, quando a
mesma operava em regime permanente (estacionrio), os trs primeiros testes foram
realizados para perturbaes na forma de degrau positivo na vazo de entrada da coluna e os
dois ltimos na forma de degrau negativo. Em todos os testes o objetivo foi observar o
comportamento da temperatura de topo da coluna de destilao em funo de variaes nas
variveis de entrada. O primeiro teste dinmico foi utilizado para a montagem dos conjuntos
de estimao e validao (in sample), os demais testes foram utilizados na ntegra para a etapa
de validao com diferentes testes dinmicos (out sample).
Os ndices calculados so o R
2
, MAE (mean absolute error), MSE (mean square error).
Todos so ndices de desempenho de modelos citados em literatura.
O R
2
um ndice que mede o quanto o modelo encontrado se ajusta aos dados
observados do sistema varia entre 0 e 1. O MAE retorna a mdia dos valores absolutos dos
erros encontrados quando se compara sada do modelo e sada do sistema. O MSE
semelhante ao MAE, porm mais preciso, pois no mascara a varincia, ao utilizar o
quadrado dos erros, problema ocorrido no MAE por utilizar a funo modular.
14 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
( )
( )

=
=

=
n
i
obs obs
n
i
calc obs
i y i y
i y i y
R
1
2
1
2
2
) ( ) (
) ( ) (
1
n
i y i y
MAE
n
i
calc obs
=

=
1
) ( ) ( ( )
n
i y i y
MSE
n
i
calc obs
=

=
1
2
) ( ) (

Sendo
obs
y os valores observados da sada do sistema,
calc
y os valores calculados na
sada do modelo e n o nmero de amostras utilizadas.
Tabela 3. Tabela dos ndices de desempenho calculados para o modelo ajustado, aplicado aos
diferentes testes dinmicos.
ndices de desempenho do modelo ajustado
Teste dinmico
2
R
MSE MAE
Teste 1 (validao) 0,9726 2,4940 0,3923
Teste 2 0,9979 0,1088 0,1667
Teste 3 0,9981 0,0362 0,1287
Teste 4 0,9717 0,0042 0,0539
Teste 5 0,1203 0,0086 0,0856
7- CONCLUSES
Os modelos auto-regressivos se apresentam como ferramenta de grande potencial na
modelagem de sistemas dinmicos multivariveis, haja vista o desempenho do modelo
encontrado sob a luz dos critrios aplicados.
Foi possvel encontrar um modelo de ordem reduzida que apresenta um bom poder de
generalizao e extrapolao do comportamento do sistema estudado, isto fica evidente ao se
verificar o bom ajuste aos dados no utilizados na etapa de estimao dos parmetros. Com
isso consegue-se contornar o problema do superdimensionamento do modelo, e obtm-se um
modelo parcimonioso.
Cabe comentar a importncia dos critrios de informao como o AIC, para
determinar a ordem do modelo na qual um aumento da mesma no implica em melhoria do
ajuste do mesmo aos dados.
O fato do conjunto de dados utilizado na estimao ser reduzido, sem perda de
significncia do comportamento do sistema, foi importante para obteno do modelo
parcimonioso.
Fica como sugesto para trabalhos futuros, investigao de modelos auto-regressivos
dotados de componentes de mdia mvel (MA), sazonalidade (S), no linearidades (N).
Investigar ainda a influncia de novos testes na planta objetivando excitar dinmicas ocultas
do sistema. Para este fim o autor sugere os sinais de entrada do tipo PRBS (Pseudo Random
Binary Signals).
A utilizao de modelos ajustveis a dados oriundos do processo garante modelos
mais prximos da realidade, desde que estes dados sejam representativos da dinmica do
sistema.
15 SEGeT Simpsio de Excelncia em Gesto e Tecnologia
8- REFERNCIAS

AGUIRRE, L. A. Introduo Identificao de Sistemas Tcnicas Lineares e No Lineares
Aplicadas a Sistemas Reais. 2000, UFMG MG.

BARROSO, M. F. S.; SALDANHA R. R. e AGUIRRE, L. A., Comparao de Mtodos
Mono-Objetivo em Identificao Caixa-Cinza, 2002, TEMA: Publicao da Sociedade
Brasileira de Matemtica Aplicada e Computacional.

BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C., Time Series Analysis Forecasting and
Control, 3 ed., Editora Prentice Hall, 1994.

BRAVO, M. A. S., Mtodos Matemticos de Sistemas mediante Identificacin Paramtrica,
2006. III Seminario Internacional de Aplicaciones de la Matemtica, Lima.

CRESPO, L. S. Montagem Identificao e Modelamento de uma Torre de Destilao Piloto.
2000, Dissertao (Mestrado em Automao) Universidade Federal do Esprito Santo,
Vitria.

EHLERS, R. S., Anlise de Sries Temporais, 2003. Departamento de Estatstica,
Universidade Federal do Paran.

FURTADO, E. C., MENDES, E. M. A. M., NEPOMUCENO, E. G., SILVA, V. V. R. E.,
Identificao de Sistemas Dinmicos No-Lineares Contnuos Utilizando Modelos
NARMAX: Estudo de Caso de um Forno a Arco Eltrico, 2002, Congresso Brasileiro de
Automtica, Rio Grande do Norte.

GOMIDE, R. Operaes Unitrias Volume IV, 1988. Edio do Autor, So Paulo.

JNIOR, C. A. V.; BARBABELA, B. A., Anlise exploratria da aplicao de modelos auto-
regressivos na previso do comportamento dos preos de derivados de petrleo. 2006, IX
SEMEAD Seminrios em Administrao FEA-USP, So Paulo, SP, Brasil.

JURADO F.; CARPIO J., Modelado de la Micro-Turbina em el Sistema de Distribucin
mediante Estructuras NARX, 2003, Revista IEEE Amrica Latina.

MORAES, C. A. S. de, Modelagem, Controle e Minimizao do Consumo de Energia de uma
Unidade de Fracionamento de Nafta. 2004, Dissertao de Mestrado, FEEC/UNICAMP,
Campinas/SP.