Identificação Relevante Ao Controle Preditivo - Método EN-PH de Otimização Numérica Baseado em Técnicas de Regularização

Identi
ao relevante ao ontrole preditivo - Mtodo

EN-PH de otimizao numri a baseado em t ni as
de regularizao
Raphael de Medeiros Souto Maior Baltar
Dissertao de Mestrado submetida Coordenao do Programa

de Ps-Graduao em Engenharia Eltri a da Universidade Federal
de Campina Grande omo parte dos requisitos ne essrios para a
obteno do grau de Mestre em Cin ias no Domnio da Engenharia
Eltri a.
rea de Con entrao: Instrumentao e Controle
Pri les Rezende Barros, Ph.D

Orientador
Campina Grande, Paraba, Brasil

Raphael de Medeiros Souto Maior Baltar, Fevereiro de 2015

FICHA CATALOGRFICA ELABORADA PELA BIBLIOTECA CENTRAL DA UFCG
B197i Baltar, Raphael de Medeiros Souto Maior.

Identificao relevante ao controle preditivo Mtodo EM-PH de
otimizao numrica baseado em tcnicas de regularizao / Raphael de
Medeiros Souto Maior Baltar. Campina Grande, 2015.
88 f. : il. color.
Dissertao (Mestrado em Engenharia Eltrica) Universidade Federal

de Campina Grande, Centro de Engenharia Eltrica e Informtica, 2015.
"Orientao: Prof. Dr. Pricles Rezende Barros".

Referncias.
1. Controle. 2. Regularizao. 3. Otimizao Numrica. 4. Identificao

MRI. I. Barros, Pricles Rezende. II. Ttulo.
CDU 621.337.1(043)
Agrade imentos
A Deus, pela ddiva da vida e todas as suas innitas possibilidades.
Aos meus pais, pelo amor in ondi ional, os valores transmitidos e por estarem ao meu
lado todos os dias, mesmo morando distante.
minha namorada Diana, por enxugar o suor do meu rosto e por me inspirar todos
os dias.
Aos meus familiares e amigos que, ao tor erem genuinamente por meu su esso e feli-
idade, tornaram-se valiosas fontes de motivao.
Ao professor Pri les Rezende Barros por todas as lies dadas, a dedi ao e om-
prometimento ao me orientar durante esta dissertao, e a ima de tudo pela amizade
onstruda.
Por m, agradeo aos amigos verdadeiros do Laboratrio de Instrumentao Eletrni a

e Controle da UFCG, em espe ial a Andr Barbosa, Moiss Tavares, Rafael Lima, Stefnia
Oliveira e Thiago Euzbio.
i
Resumo
Diferente dos ontroladores tradi ionais, os ontroladores preditivos implementam as aes
de ontrole a serem apli adas no sistema a partir de predies das sadas do pro esso em
um erto intervalo de tempo futuro. Isto feito para que o ontrolador se ante ipe a
futuras variaes da sada, e assim possa atuar om mais e in ia.
A abordagem mais direta para a obteno de modelos apropriados para o ontrole
preditivo denir e minimizar a funo de usto de mltiplos passos frente. Isto pode
ser al anado utilizando um mtodo de otimizao no- onvexa omo o de Levenberg-
Marquardt. J no mtodo PLS-PH, o problema de otimizao no-linear resolvido a
partir de uma bus a linear e da transformao dos preditores para o espao de variveis
latentes (PLA, 2012).
Neste trabalho foi proposto um novo mtodo de identi ao multivarivel MRI intitu-
lado EN-PH (Elasti -Net Predi tion Horizon) que onsiste em um algoritmo de otimizao
numri a asso iado a t ni a de regresso regularizada Elasti -Net. O novo mtodo mos-
trou ser apaz de estimar os parmetros do modelo do pro esso e ientemente, mesmo
em presena de olinearidade entre os preditores.
ii
Abstra t
Unlike traditional ontrollers, predi tive ontrollers implement the ontrol a tions to be
applied to the system based on predi tions of the pro ess outputs at a ertain future time
interval. This is done so that the ontroller may anti ipate future hanges in the output,
and thus an a t more e iently.
The most dire t approa h for obtaining appropriate models for predi tive ontrollers
is to dene and minimize the multi-step ahead predi tion error ost fun tion. This an
be a hieved using a non- onvex optimization method like the Levenberg-Marquardt al-
gorithm. However, in the PLS-PH method, the nonlinear optimization problem is solved
by a linear sear h method that performs a transformation of predi tors for the latent
variables spa e (PLA, 2012).
This work proposes a new MRI multivariable identi ation method entitled EN-PH
(Elasti -Net Predi tion Horizon) that onsists of a numeri al optimization algorithm asso-
iated with the regularized regression te hnique Elasti -Net. The new method has proved
apable of estimate the parameters of the pro ess model e iently, even in the presen e
of ollinearity among the predi tors.
iii
Sumrio
1 Introduo 3
1.1 Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Reviso Bibliogr a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Controle preditivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Identi ao relevante ao ontrole preditivo . . . . . . . . . . . . . 6
1.2.3 Regime de golfada em en anamentos-riser . . . . . . . . . . . . . . 7
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Organizao do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Identi ao relevante ao ontrole preditivo 11

2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Controle Preditivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1 Preditor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Obtendo um preditor linear . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3 Funo de usto de ontrole . . . . . . . . . . . . . . . . . . . . . . 15
2.3 MRI: abordagem paramtri a . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Preditor de um passo frente . . . . . . . . . . . . . . . . . . . . . 17
2.3.3 Preditor de mltiplos passos frente . . . . . . . . . . . . . . . . . 17
2.3.4 Minimizar a funo de usto multi-passos frente . . . . . . . . . . 18
2.4 Mtodos de Variveis Latentes (LVM) . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Algoritmo Partial Least Squares (PLS) . . . . . . . . . . . . . . . . 23
2.5 Regularizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.1 Regresso Ridge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.2 Regresso Lasso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.3 Regresso Elasti -Net . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.4 Obteno de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6 Con luso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
iv
3 Identi ao de sistemas baseada em otimizao numri a 37
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Algoritmo Least Squares - Predi tion Horizon (LS-PH) . . . . . . . . . . . 38
3.3 Algoritmo Partial Least Squares - Predi tion Horizon (PLS-PH) . . . . . . 41
3.4 Algoritmo Elasti Net - Predi tion Horizon (EN-PH) . . . . . . . . . . . . 42
3.5 Con luso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 Avaliao das t ni as de identi ao - Simulao/Experimento 46

4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Indi adores de validao dos modelos . . . . . . . . . . . . . . . . . . . . . 47
4.2.1 JLRP IEV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.2 R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.3 Coe ientes de Theil . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3 Coluna de destilao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Regime de uxo de golfadas em prospe o oshore de petrleo . . . . . . 53
4.4.1 Prospe o de petrleo oshore . . . . . . . . . . . . . . . . . . . . 53
4.4.2 Identi ao a partir do simulador . . . . . . . . . . . . . . . . . . 54
4.5 Sistema de temperatura baseado em mdulos Peltier . . . . . . . . . . . . 60
4.5.1 Mdulo peltier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5.2 Cir uito eletrni o . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.5.3 Interfa e de omuni ao . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5.4 Identi ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.6 Con luso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5 Con luses e Sugestes de Trabalhos Futuros 68

5.1 Con luses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2 Sugestes de Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . 69
Refern ias Bibliogr as 70
A Modelo MIMO ARX 74
B Regime de uxo multifsi o de golfadas 77

B.1 Es oamento multifsi o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
B.1.1 Regime de golfadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
B.2 Modelo de Jahanshahi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
B.2.1 Equaes de onservao de massa para oleoduto e riser . . . . . . 83
B.2.2 Condies de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . 83
B.2.3 Condies de sada . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
v
B.2.4 Modelo do oleoduto . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
B.2.5 Modelo do riser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
B.2.6 Modelo do uxo de gs na base do riser . . . . . . . . . . . . . . . . 87
B.2.7 Modelo do uxo de lquido na base do riser . . . . . . . . . . . . . . 88
B.2.8 Modelo de distribuio das fases na sada da vlvula . . . . . . . . . 88
vi
Lista de Smbolos e Abreviaturas
ARMAX - Autoregressive Moving Average eXogenous

ARX - Autoregressive Exogenous
CRI - Control Relevant Identi ation
EN-PH - Elasti Net - Predi tion Horizon
LM - Levenberg-Marquardt
LVM - Latent Variables Methods
LP - Linear Programming
LS - Least Squares
MIMO - Multiple Input Multiple Output
MPC - Model Predi tive Control
MRI - Model predi tive ontrol Relevant Identi ation
MSE - Mean Squared Error
PEM - Predi tion Error Methods
PLS - Partial Least Squares
PLS-PH - Partial Least Squares - Predi tion Horizon
QP - Quadrati Programming
SISO - Single Input Single Output
1
Lista de Tabelas
4.1 ndi es de Theil de validao - Coluna de destilao . . . . . . . . . . . . . 52

4.2 ndi es de Theil de validao - Golfada . . . . . . . . . . . . . . . . . . . . 59
4.3 ndi es de Theil de validao - Planta trmi a . . . . . . . . . . . . . . . . 66
B.1 Parmetros do sistema oleoduto-riser . . . . . . . . . . . . . . . . . . . . . 82
1
Lista de Figuras
2.1 Malha tpi a de ontroladores preditivos . . . . . . . . . . . . . . . . . . . 12

2.2 Representao de um MPC . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 LVM: Projeo no espao das variveis latentes . . . . . . . . . . . . . . . 22
2.4 aminhos das regresses para o exemplo da leu emia . . . . . . . . . . . . 33
2.5 Exemplo de um gr o de validao ruzada para a regularizao . . . . . 35
4.1 Diagrama esquemti o da oluna de destilao . . . . . . . . . . . . . . . . 49

4.2 Conjunto de dados de identi ao da oluna de destilao . . . . . . . . . 50
4.3 Curvas de R2 para modelo ordem 2 - Coluna de destilao . . . . . . . . . 51
4.6 Representao de um sistema de oleodutos e riser . . . . . . . . . . . . . . 53
4.7 Variao da abertura da vlvula de sada Z . . . . . . . . . . . . . . . . . . 55
4.8 Sadas da simulao do modelo da golfada para os dados de identi ao . 55
4.9 Curvas de R2 para modelo ordem 2 - Golfada . . . . . . . . . . . . . . . . 57
4.12 Foto da montagem do sistema. . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.13 Diagrama da lula peltier . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.14 Diagrama estrutural do mdulo peltier . . . . . . . . . . . . . . . . . . . . 61
4.15 Montagem dos mdulos peltier . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.16 Diagrama de ligao do sistema. . . . . . . . . . . . . . . . . . . . . . . . . 62
4.17 Tela do Software supervisrio. . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.18 Dados de identi ao da planta trmi a . . . . . . . . . . . . . . . . . . . 64
4.19 Curvas de R2 para modelo ordem 2 - Planta trmi a . . . . . . . . . . . . . 65
B.1 Padres de es oamento de uxo multifsi o em uma tubulao horizontal. . 78

B.2 Padres de es oamento de uxo multifsi o em uma tubulao verti al. . . 79
1
Lista de Figuras 2
B.3 Fases da golfada no riser. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

B.4 Sistema oleoduto-riser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Captulo 1
Introduo
1.1 Contexto
Identi ao de sistemas uma rea da modelagem matemti a que lida om o problema
de formular modelos matemti os de sistemas dinmi os baseando-se em dados experi-
mentais gerados pelos prprios sistemas (LJUNG, 1999), (ISERMANN; MNCHHOF,
2011), (PAYNE, 1977), (STOICA, 1989).
Existem prin ipalmente duas formas de onstruir modelos matemti os de sistemas
dinmi os. Uma das abordagens onsiste na onstruo analti a dos modelos atravs
de leis fsi as e qumi as inerentes aos pro essos analisados. Entretanto, na engenharia
muitas vezes as informaes a er a da dinmi a dos sistemas es assa e insu iente,
por isso as leis e os parmetros exatos dos fenmenos so des onhe idos. Assim, faz-
se ne essrio realizar uma aproximao que des reva satisfatoriamente o pro esso para
uma dada apli ao. Na prti a, existe um omprometimento entre a omplexidade e a
pre iso dos modelos, in ertezas so toleradas desde que no omprometam a robustez ou
o desempenho do sistema (MOOR, 1996).
Todo modelo obtido por t ni as de identi ao de sistemas ser inevitavelmente
uma aproximao do pro esso real, assim a validade de um modelo est diretamente
rela ionada om o seu propsito de uso. Um modelo pre iso pode ser utilizado para
simular o omportamento dinmi o do sistema. J a lasse de mtodos de identi ao
relevantes ao ontrole (CRI) tem omo motivao a ne essidade de explorar os modelos
lineares em projetos de ontroladores baseados em modelos. Sendo assim, os mtodos CRI
propem-se a gerar um modelo que seja adequado ao problema de ontrole em questo,
riando uma sinergia entre os algoritmos de identi ao e os de ontrole.
Na indstria, res ente a demanda por ontroladores ada vez mais sosti ados.
Na area de ontrole avanado, desta a-se o Controle Preditivo por Modelo (MPC). Em
essn ia, o objetivo do MPC otimizar a previso do omportamento futuro do pro esso
3
Captulo 1. Introduo 4
a partir das variveis manipulveis. O MPC onsiste em uma famlia de t ni as de

ontrole multivarivel de pro essos que utilizada em uma grande quantidade enrios
prti os, tais quais ontrole de pro essos industriais, ontrole esto sti o em estatsti a,
apli aes automotivas e aeroespa iais. Este tipo de ontrole habilitado para lidar om
restries nas entradas e sadas, e por este motivo permite que o sistema seja ontrolado
prximo de seu limite fsi o. Por isso geralmente os ontroladores preditivos apresentam
desempenho superior aos ontroladores lineares tradi ionais, espe ialmente para sistemas
multivariveis (MACIEJOWSKI, 2002).
A ada instante de amostragem os ontroladores preditivos resolvem um problema
de otimizao para omputar as aes de ontrole sobre um horizonte de tempo futuro
nito. Em seguida, a primeira ao de ontrole al ulada naquele horizonte de tempo
apli ada ao sistema. No prximo instante de amostragem, esta estratgia repetida. No
MPC, o omportamento das variveis ontroladas previsto baseando-se no modelo do
pro esso. Sendo assim, o desempenho do ontrole depende fortemente da delidade do
modelo utilizado. Por este motivo o desenvolvimento do modelo o passo mais rti o
e tambm o mais demorado na implementao de um ontrolador preditivo (MORARI;
LEE., 1999).
Colinearidade um fenmeno estatsti o em que duas ou mais variveis de predio
de um modelo so altamente orrela ionadas, o que signi a que uma varivel pode ser
prevista linearmente a partir das outras. Nesta situao, as estimativas dos oe ientes
da regresso podem mudar de forma irregular em resposta a pequenas mudanas do
modelo ou dos dados. Este um fenmeno omum em pro essos reais, espe ialmente
em sistemas MIMO (Multiple input and Multiple output). A olinearidade pode ausar
problemas na estimao dos parmetros porque ela ina a varin ia dos parmetros de
regresso e poten ialmente leva identi ao errada dos preditores relevantes em um
modelo. Colinearidade um problema grave quando um modelo treinado (identi ado)
em dados de uma regio ou tempo, e utilizado para prever o omportamento das sadas
em outra regio ou tempo, om uma estrutura de olinearidade diferente ou des onhe ida.
Os mtodos de regresso regularizados quebraram o paradigma do problema de regres-
so linear de que era primordial bus ar um modelo sem polarizao, ou a menor possvel.
Foi visto que ao permitir que as estimativas sejam levemente polarizadas foi possvel
reduzir suas varin ias e, em onsequn ia, o erro mdio quadrti o total.
Nesse ontexto, este trabalho tem omo objetivo geral desenvolver um novo mtodo
de identi ao MRI, intitulado Elasti Net - Predi tion Horizon (EN-PH), apaz de lidar
om a presena de olinearidade nos dados de identi ao. O EN-PH um mtodo de
otimizao numri a que realiza uma bus a linear om base nos mtodos de regularizao
para estimar os parmetros do modelo. O desempenho e as propriedades do mtodo
so estudados em dois exemplos de simulao e um exemplo experimental, em todos os

exemplos o mtodo mostrou-se uma alternativa ompetitiva para identi ao de sistemas.
1.2 Reviso Bibliogr a

Na reviso bibliogr a desta dissertao ser aborda ini ialmente a evoluo do ontrole
preditivo. Em seguida sero apresentadas as prin ipais ontribuies na rea de identi-
ao relevante ao ontrole preditivo. Por m, sero vistos os prin ipais trabalhos a er a
do tema regime de golfada em en anamentos-riser.
1.2.1 Controle preditivo

O Controle Preditivo foi proposto independentemente por diversos pesquisadores em uma
mesma po a. Apesar de data de publi ao forne er uma ideia de pre edn ia, o Controle
Preditivo foi originalmente desenvolvido por prossionais da indstria que implementaram
os on eitos inerentes ao MPC alguns anos antes das primeiras publi aes apare erem
(BOHLIN; ASTROM, 1965).
A patente mais antiga rela ionada ao Controle Preditivo foi obtida por Martin-San hez
em 1976, ujo mtodo foi hamado de Adaptive Predi tive Control. Assim omo o nome
indi a, a nfase estava no uso do modelo interno para obter um ontrole adaptativo, isto
era feito pela adaptao do modelo e otimizao dos sinais de ontrole.
Em (RICHALET et al., 1978), Ri halet, engenheiro da ompanhia fran esa Adersa,
props um algoritmo de ontrole preditivo sob o nome de Model Predi tive Heuristi
Control. O software foi batizado omo IDCOM, um ana ronismo para Identi ao e
Comando. O objetivo nesse aso era de riar uma metodologia de ontrole que pudesse
solu ionar problemas dif eis de lidar om o onven ional ontrolador PID, mas que tam-
bm fosse baseado em on eitos intuitivos e de f il sintonia. Manipulao de restries
e otimizao no foram enfatizadas nesse mtodo.
Segundo Morari e Lee (MORARI; LEE., 1999), as ideias de Controle Re eding Horizon
e Controle Preditivo por Modelo so anteriores d ada de 60, omo o preditor de Smith
publi ado em 1957. Apesar disso, o interesse nesse ampo surgiu apenas nos anos 80 aps
publi ao de artigos referentes ao Controle por Matriz Dinmi a (DMC) (CUTLER;
RAMAKER, 1980) e Controle Preditivo Generalizado (GPC) (CLARKE; MOHTADI; S,
1987)
Embora os ontroladores preditivos tenham se originado na industria petroqumi a
(CUTLER; RAMAKER, 1980), eles tm sido apli ados om su esso em muitas outras
reas, e.g., ontrole de trfego (BELLEMANS; SCHUTTER; MOOR, 2006), onversores
de potn ia (KOURO et al., 2009) e indstria automotiva (HROVAT et al., 2012).
1.2.2 Identi ao relevante ao ontrole preditivo

re onhe ido na literatura que a teoria de identi ao de sistemas omeou a ser es-
tuda efetivamente nos anos 60 om os trabalhos apresentados em (ASTROM, 1965) e
(KALMAN, 1966). O objetivo de Astrom e Bohlin foi elaborar modelos ARMAX SISO
partindo de sequn ias de dados dos sinais de entrada e sada. Desde a apresentao desse
artigo, inmeras t ni as de identi ao estatsti a surgiram denominadas Mtodos de
Erro de Predio (PEM), ulminando em trabalhos re onhe idamente estabele idos omo
(LJUNG, 1999) e (STOICA, 1989).
A ne essidade da obteno de modelos matemti os para o desenvolvimento de algo-
ritmos de ontrole no ex lusiva dos ontroladores preditivos. Um aso rti o o orre nos
algoritmos de ontrole robusto, nos quais, alm do modelo da planta, ne essrio infor-
maes a er a do erro de modelagem. Em (GEVERS, 2002) revisado um dos grandes
desaos existentes no in io da d ada de 90, que era a divergn ia entre as estruturas de
modelos obtidos por mtodos de identi ao tradi ionais e as estruturas de modelos que
o projeto dos ontroladores demandava.
A linha de pesquisa onhe ida omo MRI (MPC Relevant Identi ation) originou-
se om o trabalho desenvolvido em (SHOOK; MOHTADI; SHAH, 1991). Apli aes
de ontrole preditivo demandam modelos que forneam predies onveis sobre todo
o horizonte de predio. Com essa premissa, em (SHOOK; MOHTADI; SHAH, 1991)
apresentou-se um mtodo ujo o objetivo era a obteno de um modelo que forne esse
uma boa predio da resposta do sistema para todos os passos de tempo i = 1, ..., nf
frente. Foi veri ado que os parmetros estimados das funes objetivo baseadas em
preditores de mltiplos passos frente, geralmente resultam em melhores modelos para
apli aes MPC.
Em (GOPALUNI; PATWARDHAN; SHAH, 2004), a funo de usto de mltiplos
passos frente do erro de predio minimizada, e as propriedades da abordagem MRI
so analisadas, demonstrando o poten ial da utilizao deste tipo de funo de usto
quando h dis repn ia modelo-planta, o que omum na indstria de pro esso.
Em (PLA, 2012) foi realizada uma extensiva des rio dos desaos e abordagens
existentes na rea de MRI. E nalmente foi exposto um novo mtodo, intitulado PLS-
PH, que uma abordagem de otimizao numri a de bus a linear que utiliza os mtodos
de variveis latentes para estimar os parmetros do modelo. Neste artigo foi demonstrado
que o mtodo PLS-PH pode superar onsideravelmente abordagens paramtri as MRI
onven ionais, se h olinearidade no onjunto de dados de identi ao.
Em (QUACHIO, 2012) foi apresentada uma avaliao da apa idade do mtodo PLS-
PH em gerar modelos lineares para realizar as predies mltiplos passos frente, para
sistemas SISO e MIMO, om dados oletados em malha fe hada. Tambm foi avaliada a
apa idade do algoritmo de identi ar modelos no-lineares baseados na estrutura NARX

polinomial.
Quando as suposies padres dos mnimos quadrados so respeitadas, os oe ientes
da regresso obtidos no apresentaro polarizao. Alm disso, dentre todas as t ni as de
regresso lineares sem polarizao, o modelo obtido pelo mtodo dos mnimos quadrados
tambm ir possuir o menor erro mdio quadrti o (MSE). Porm, em (TIBSHIRANI,
1996) demonstra-se que possvel produzir modelos om MSEs menores ao permitir que
os parmetros estimados tornem-se levemente polarizados. Tambm re onhe ido o fato
de que um pequeno a rs imo na polarizao pode produzir uma queda substan ial na
varin ia, resultando assim em um MSE menor do que o que seria obtido na regresso
pelos mnimos quadrados ordinria. A estratgia dos mtodos de regularizao ombater
a olinearidade na matriz de regressores produzindo modelos levemente polarizados que
resultam em modelos de regresso onde o MSE geral bastante ompetitivo (KUHN;
JOHNSON, 2013).
1.2.3 Regime de golfada em en anamentos-riser

Um pro esso multivarivel no-linear sus etvel olinearidade e de grande interesse nas
industrias de petrleo o sistema de prospe o oshore om tubulao riser. Neste
pro esso o orre um fenmeno onhe ido omo golfada que ara terizado por os ilaes
severas no uxo multifsi o da sada do sistema e na presso do topo e da base do riser.
A golfada re onhe idamente um srio problema na prospe o oshore de petrleo por
omprometer a segurana e a produtividade do pro esso, por isso muito esforo tem sido
desprendido a m de prevenir a planta de operar em tal regime (BAI; BAI, 2005).
Uma soluo onven ional para este problema reduzir manualmente a abertura da
vlvula de sada do riser para a elerar o aumento da presso em sua base. Isto vai forar
a liberao da passagem de gs pelo ponto baixo e assim, estabilizar o uxo. Porm esta
soluo reduz a produtividade da planta, espe ialmente em ampos de extrao om baixa
energia (presso e temperatura).
Todavia, a apli ao de sistemas de ontrole tem se mostrado uma abordagem e i-
ente na supresso da golfada, omo mostram os testes experimentais em (GODHAVN;
FARD; FUCHS, 2005). Para a elaborao desta e de outras estratgias de ontrole, fun-
damental a riao de modelos matemti os simples, mas que sejam apazes de des rever
a dinmi a essen ial do fenmeno da golfada. Com o objetivo de ontrolar o sistema,
mais importante aptar as prin ipais dinmi as do in io da golfada, no a golfada pro-
priamente dita. Assim, ara tersti as omo omprimento e formato da golfada no so
fundamentais na modelagem do sistema (JAHANSHAHI, 2013).
Desta am-se trs modelos dinmi os na literatura que tm omo es opo de on epo
o projeto de ontroladores. Storkaas foi pioneiro ao modelar o fenmeno da golfada em

en anamentos risers, em (STORKAAS; SKOGESTAD, 2003) apresentado seu modelo
de espao de estados que tem sido utilizado, por exemplo, na anlise de ontrolabilidade
(STORKAAS; SKOGESTAD, 2007). Em (MEGLIO; KAASA; PETIT, 2009) foi in-
troduzido um modelo de trs estados, representados por equaes diferen iais ordinrias
(EDO). Neste modelo, in o parmetros de sintonia so ne essrios para realizar o ajuste
do modelo ao aso de interesse. Por m, em (JAHANSHAHI, 2013) foi desenvolvido um
modelo simples de quatro estados e quatro parmetros de sintonia. Em (MELAND, 2010)
foram realizadas diversas omparaes a partir de simulaes dos dois ltimos modelos
e mostrou-se que o New Model e o DiMeglio tm respostas em frequn ia semelhantes
e ambos resultam em boas representaes do sistema riser real. Assim, o New Model
desta a-se por apresentar menos parmetros de sintonia e por estes serem totalmente
independentes das propriedades fsi as do sistema.
Como itado, na literatura existem diversos modelos matemti os que des revem este
fenmeno, porm eles dependem de vrias onstantes de ajuste do modelo ao pro esso em
questo. Assim, para realizar o projeto de um ontrolador dedi ado a estabilizar o regime
da golfada, interessante utilizar um modelo obtido a partir de dados de identi ao da
prpria planta.
1.3 Objetivos
Este trabalho teve omo objetivos os seguintes itens:
Estudar os mtodos de identi ao MRI;
Analisar as propriedades dos mtodos de regularizao;
Desenvolver um novo mtodo de identi ao MRI que agrega as ara tersti as da

regresso linear regularizada para riar o algoritmo de otimizao numri a EN-PH.
Avaliar o desempenho da t ni a em apli aes simuladas e experimentais;
1.4 Contribuies
As ontribuies apresentadas neste trabalho so:
Desenvolvimento do mtodo de identi ao relevante ao ontrole preditivo EN-PH;
A identi ao de sistemas e anlise omparativa de mtodos de identi ao MRI,

in luindo o mtodo proposto.
1.5 Organizao do Texto

No aptulo 2 so apresentados os tpi os pertinentes identi ao de sistemas rele-
vantes ao ontrole preditivo. Ini ialmente apresentada uma des rio geral do ontrole
preditivo e suas prin ipais ara tersti as. Em seguida apresentada uma reviso geral
sobre os on eitos fundamentais dos mtodos de identi ao relevantes ao ontrole pre-
ditivo. Ao m desta seo apresentada uma t ni a de identi ao MRI tradi ional
que utiliza o mtodo de otimizao de Levemberg-Marquardt para minimizar a funo de
usto mltiplos passos frente. Tambm realizada uma reviso sobre os mtodos de
variveis latentes e os mtodos de regularizao. No aptulo 3 so vistos os algoritmos de
bus a desenvolvidos para estimar os parmetros dos modelos. Ini ialmente, apresenta-se
o algoritmo base Least Squares - Predi tion Horizon (LS-PH), base para os outros dois
mtodos de bus a linear apresentados. Em seguida o mtodo Partial Least Squares -
Predi tion Horizon (PLS-PH) apresentado omo uma extenso do LS-PH baseado nos
mtodos de variveis latentes. Por m, dene-se o algoritmo EN-PH omo uma extenso
do LS-PH baseando-se nos mtodos de regularizao. No aptulo 4 so introduzidos os
ndi es de avaliao de desempenho dos mtodos de identi ao que sero utilizados nos
exemplos. Em seguida, trs apli aes foram submetidas aos mtodos a m de avaliar
o desempenho preditivo, as ara tersti as do modelo identi ado e validar o novo m-
todo proposto. Finalmente, no aptulo 5 so expostas as on luses nais do trabalho
juntamente om as sugestes de trabalhos futuros.
Captulo 2
Identi ao relevante ao ontrole

preditivo
2.1 Introduo
O desenvolvimento do modelo o passo mais rti o e demorado na implementao de um
ontrolador preditivo (MORARI; LEE., 1999). Existem diferentes estruturas de modelos
apazes de representar aproximadamente o pro esso, a es olha deve ser realizada om
base no propsito de sua utilizao e na natureza de ada pro esso. Por exemplo, aso se
deseje riar um simulador para estudar o omportamento dinmi o de um pro esso, um
modelo sosti ado e pre iso deve ser utilizado. Entretanto, se o objetivo projetar um
ontrolador para aquele pro esso, um modelo simpli ado geralmente prefervel para
fa ilitar a implementao da estratgia de ontrole.
Na identi ao tradi ional minimiza-se a funo de usto do erro de predio a um
passo frente. Uma vez que no MPC o modelo realiza predies a er a do omportamento
do pro esso por toda uma janela de predio, uma abordagem direta para MRI a
minimizao da funo de usto do erro de predio multi-passos frente para ajustar
o modelo ao onjunto de dados de identi ao. Em (GOPALUNI; PATWARDHAN;
SHAH, 2004) a funo de usto do erro de predio multi-passos frente foi minimizada,
e analisou-se as propriedades do MRI demonstrando o poten ial desta abordagem. Uma
desvantagem deste mtodo que a funo de usto de identi ao no linear em seus
parmetros, e em geral o problema de minimizao no onvexo. A omplexidade
omputa ional da otimizao no- onvexa no vem a ser um empe ilho, uma vez que o
estgio de identi ao do modelo realizado oine.
omum veri ar algum grau de olinearidade entre as variveis em onjuntos de
dados olhidos de pro essos reais. Uma alta olinearidade entre os preditores signi a
que as variveis do onjunto partilham quantidades de informaes redundantes. Este
11
Captulo 2. Identi ao relevante ao ontrole preditivo 12
fenmeno pode ausar problemas para a estimao dos parmetros pois gera um aumento
na varin ia dos parmetros de regresso. Com isso, o resultado da identi ao dos
parmetros do modelo relevantes ao pro esso omprometido. Neste aptulo tambm
sero apresentados os mtodos de variveis latentes e os mtodos de regularizao, que
so duas diferentes abordagens para lidar om o problema de olinearidade nos dados de
identi ao.
2.2 Controle Preditivo

Controle preditivo, ou do ingls Model Predi tive Control (MPC) uma t ni a avanada
de ontrole multivarivel de pro essos usada em diversas apli aes prti as, tais quais
ontrole industrial de pro essos; ontrole esto sti o, em e onomia; em apli aes auto-
motivas e aeronuti as. Tal abrangn ia deve-se ao fato de que o MPC baseado em
ideias bastante intuitivas e por onsiderar sistemas multivariveis sujeitos a restries nas
entradas e sadas, desde a on epo do ontrolador (MACIEJOWSKI, 2002).
As premissas bsi as, omuns aos diversos tipos de ontroladores preditivos, so des-
ritas seguir:
Na gura 2.1 ilustrada uma malha de ontrole MPC tpi a:
Figura 2.1: Malha tpi a de ontroladores preditivos
Como passo ini ial, o modelo do pro esso usado para realizar as predies a er a
do omportamento do pro esso em uma dada janela de predio: y
k+i = i
[1, 2, ..., nf ]. Onde y
k+i R1n0 so as predies em k + i a partir das informaes
disponveis at o instante k ; n0 , o nmero de sadas do pro esso; nf , o nmero de
passos futuros preditos, tambm hamado de horizonte de predio.
A sequen ia de ontrole ser obtida partir da minimizao de uma funo de usto.

Funes de usto tpi as que so usadas no projeto de ontroladores devem ponde-
rar: desvios entre sada e uma dada trajetria desejada e o esforo de ontrole. Se a
funo de usto for quadrti a, o modelo linear e no houverem restries de desi-
gualdades impostas ao sistema, haver uma expresso analti a para o ontrolador
MPC. Caso ontrrio, otimizao numri a pode ser usada para en ontrar a ao
de ontrole que minimiza a funo de usto.
A ada instante de amostragem uma sequn ia de ontrole obtida, seguindo os

passos anteriores, porm apenas a primeira ao de ontrole ser, de fato, apli ada
ao pro esso. Esta ara tersti a do MPC onhe ida omo horizonte mvel. O
motivo de se utilizar a polti a de horizonte mvel que no instante k + 1 havero
informaes a er a das sadas que no estavam disponveis no instante k , assim,
estes erros de predio podem ser ontabilizados no l ulo da prxima ao de
ontrole.
2.2.1 Preditor
O preditor responsvel por forne er as predies das sadas do pro esso sobre uma
janela de tempo futura. As predies so realizadas a partir do modelo do pro esso e
so expressas em termos das informaes onhe idas priori das entradas, sadas e da
sequen ia de ontrole futura. O preditor o omponente fundamental no projeto de
um ontrolador preditivo, uma vez que as aes de ontroles so baseadas nas predies
das variveis ontroladas. Quo melhor for o preditor, melhor ser a performan e do
ontrolador; assim, obter um preditor onvel ru ial em MPC.
Uma forma generalizada das predies futuras pode ser expressa omo:
f (k) = f (up (k), yp (k), uf (k), udof (k))

y (2.1)
Na gura 2.2 apresentado um exemplo dos sinais que ompem o MPC.

Os vetores linhas so denidos omo:
f (k) = [
y (k + nf )] Sadas preditas
y(k + 1) ... y
)
up (k) = [u(k 1) ... u(k nb + 1)]
Dados passados onhe idos
yp (k) = [y(k 1) ... y(k na )]
)
uf (k) = [u(k + nf 1) ... u(k + nu )]
Sequn ia de ontrole futura
dof (k) = [u(k + nu 1) ... u(k)]
u
onde nb o horizonte do passado das entradas; na o horizonte passado das sadas; nf

Figura 2.2: Representao de um MPC
o horizonte de predio e nu o horizonte de ontrole. Os detalhes de omo se obter

f (.) dependem da estratgia de identi ao e/ou modelo utilizado. A subseo a seguir
expli a omo obter um modelo linear para ser usado omo preditor.
2.2.2 Obtendo um preditor linear

Assumindo uma estrutura linear, o preditor da equao (2.1) ser:
f (k) = [up (k) yp (k) uf (k) udof (k)]

y (2.2)
| {z }
x(k)
Onde a matriz que ontm os parmetros do preditor linear e x(k) o vetor de

regresso no instante k .
Quando h um onjunto de dados de identi ao, as seguintes matrizes podem ser
formadas:
yf (1) x(1)
.. .
.
Y=
.
; .
X=
yf (N) x(N)
nas quais os vetores linha so obtidos omo:
yf (k) = [y(k + 1) ... y(k + nf )]

x(k) = [u(k 1) ... u(k nb + 1), y(k + 1) ... y(k na ),
| {z } | {z }
up (k) yp (k)
u(k + nf 1) ... u(k + nu ), u(k + nu 1), ... u(k)]

| {z } | {z }
uf (k) udof (k)
k [1 ... N]. Note que yf (k) um vetor linha om ny = no nf olunas, e x(k) um

vetor linha om nx = ni (nb 1) + n0 na + ni nf olunas. Assim, Y RN ny e X RN nx .
Considerando o erro de modelagem tem-se:
Y = |{z}
X +F

Y
a matriz de predies. Dadas as matrizes

onde F o vetor do erro de modelagem e Y
X e Y , a abordagem de identi ao mais simples utilizar o LS (least squares ) para
ajustar o modelo:
= (XT X)1 XT Y
2.2.3 Funo de usto de ontrole

A expresso geral para a funo de usto no MPC, em um dado instante, dada por:
JC = g (r(k), y
f (k), udof (k)) (2.3)
onde r(k) o vetor de refern ia das sadas.

No projeto de ontroladores geralmente utiliza-se modelos lineares (QIN; BADGWELL,
2003), alm disso a minimizao de funes quadrti as om restries tratvel mate-
mati amente. Assim, a funo de usto tpi a em MPC dada por:
f (k)]Wy k2F + u kudof (k)Wu k2F

JC = k[rf (k) y (2.4)
onde Wy a matriz de ponderao dos desvios das sadas; Wu a matriz de ponderao

do esforo de ontrole; u , o peso geral das aes de ontroles. Tambm omum utilizar
in rementos das aes de ontrole udof ao invs da prpria ao de ontrole a m de
obter um ontrole livre de oset (ROSSITER, 2003).
A minimizao da funo de usto na equao (2.3) sujeita a restries de desigual-
dades nas MVs (Manipulated Variables) ou CVs (Controlled Variables) pode ser expressa
omo:
min JC (k) s.t. restries (2.5)
udof (k)
No aso geral, deve-se utilizar um otimizador online para resolver o problema de

minimizao e obter a sequn ia de ontrole udof . Se o modelo for linear e a funo de usto
quadrti a, a minimizao pode ser resolvida utilizando QP (Quadrati Programming).
Caso a funo de usto seja no linear em , geralmente utiliza-se mtodos de otimizao
numri a no onvexos.
2.3 MRI: abordagem paramtri a

Nesta seo, ini ialmente ser denida a estrutura do modelo utilizado, e a partir do
modelo obtm-se o preditor do sistema. Em seguida, dene-se a funo de usto multi-
passos frente. Por m, apresenta-se um mtodo apaz de minimizar a funo de usto
de mltiplos passos frente e a obter os parmetros dos modelos.
2.3.1 Modelo
Num estudo ini ial, o modelo SISO de Box-Jenkins ser usado representando a expresso
geral para um modelo LTI na forma de funo de transfern ia:
B(z 1 ) C(z 1 )
y(k) = u(k) + (k)
A(z 1 ) D(z 1 )
onde: y(k) a sada do pro esso; u(k), a entrada do pro esso; e (k) um rudo bran o.
omum no obter su esso na estimao de C(z 1 ), alm disso as ara tersti as do
distrbio so frequentemente alteradas. Por esses motivos uma prti a omum em
MPC usar o modelo CARIMA Rossiter:
C(z 1 ) = T(z 1 ) ; D(z 1 ) = A(z 1 )(1 z 1 ) (2.6)
onde T(z 1 ) onsiderado omo uma es olha de projeto. O modelo SISO pode ser
transformado na forma ARX:
B(z 1 ) T(z 1 )
y(k) = u(k) + (k)
A(z 1 ) A(z 1 )(1 z 1 )
(1 z 1 ) B(z 1 ) (1 z 1 ) 1
y(k) = u(k) + (k)
T(z 1 ) A(z 1 ) T(z 1 ) A(z 1 )
B(z 1 ) 1
yf (k) = uf (k) + (k)
A(z )
1 A(z 1 )
Assumindo que os dados de identi ao foram previamente ltrados, uma estrutura

ARX pode ser assumida.
1 z 1 1 z 1
yf (k) = y(k) ; uf (k) = u(k)
T(z 1 ) T(z 1 )
No apndi e A apresentada a equivaln ia entre a estrutura ARX e a seguinte ex-

presso para o aso MIMO:
y(k) = x(k 1) + (k) (2.7)
om,
y(k) = [y1 (k) ... yn0 (k)]
x(k 1) = [u(k 1) ... u(k nb ), y(k 1) ... y(k na )], o vetor de regresso onde:
u(k) = [u1 (k) ... uni (k)]

nb : nmero de entradas armazenadas no modelo
na : nmero de sadas armazenadas no modelo
a matriz de parmetros que dene o modelo. Sua dimenso nx n0 ( sendo

nx o nmero de olunas em xk , nx = ni nb + n0 na )
k = [1 (k) ... n0 (k)]
2.3.2 Preditor de um passo frente

Se o modelo estimado denido por , ento as predies das sadas no instante k + 1, a
partir das informaes disponveis at o instante k so obtidas omo:
(k + 1) = x(k)
y (2.8)
onde,
x(k) = [u(k) ... u(k + 1 nb ) , y(k) ... y(k + 1 na )]
Assumindo a inexatido entre a planta e o modelo, (k) na equao (2.7) no ser

mais um rudo bran o, e as sadas reais do pro esso so dadas por:
y(k + 1) = y
(k + 1) + e(k + 1)
sendo e(k + 1) o erro de identi ao no instante k + 1 om dados da sadas disponveis

at o instante k .
2.3.3 Preditor de mltiplos passos frente

A partir da equao (2.8), o modelo de predio de erro multi-passos frente dispondo
de informaes das sadas at o instante k , e das entradas at o instante k + nf pode ser
formulado omo:
(k + j) = x(k + j 1),
y j [1, 2, ..., nf ] (2.9)
onde
x(k + j 1) = [u(k + j 1) ... u(k + j nb ) , y

(k + j 1) ... y
(k + j na )] (2.10)
(
()
y para () > k
() =
y (2.11)
y() para () k
(k + nf ) pode ser obtido re ursivamente, ini iando em y

y (k + 1) e utilizando a equao
(2.9). As sadas reais podem ser expressas omo:
y(k + j) = y
(k + j) + e(k + j) (2.12)
sendo e(k + j) o erro de identi ao no instante k + j om dados da sadas disponveis

at o instante k .
2.3.4 Minimizar a funo de usto multi-passos frente

A funo de usto bsi a normalmente utilizada em MPC dada por:
f (k)]Wy k2F + u kudof (k)Wu k2F

JC = k[rf (k) y
onde Wy a matriz de ponderao dos desvios das sadas; Wu a matriz de ponderao do

esforo de ontrole; u , o peso geral das aes de ontroles; rf (k) a matriz de refern ia
das sadas. Objetivando a simpli ao da anlise, ser assumido que todas as sadas
re ebem o mesmo peso, ento Wy = I; Alm disso, u = 0. A funo de usto torna-se:
f (k)k2F
JC = krf (k) y
que pode ser rees rito omo
nf
X
JC = k r(k + j) y (k + j) k2F (2.13)
| {z }
j=1
,c(k+j)
No ontrole preditivo a diferena entre as predies e suas refern ias minimizada.

Porm, em MRI o objetivo tratar o des asamento entre o modelo e o pro esso real, ento
minimiza-se os desvios entre os valores reais das sadas e suas refern ias:
nf
X
JC , kr(k + j) y(k + j)k2F
j=1
Utilizando a equao (2.12), a funo de usto pode ser expressa omo funo dos
erros de ontrole e de identi ao:
nf
X
JC = y(k + j) + e(k + j))k2F
kr(k + j) (
j=1
nf
X
= k r(k + j) y (k + j) e(k + j)k2F
| {z }
j=1
c(k+j)
nf
X
= kc(k + j) e(k + j)k2F
j=1
que pode ser rees rita omo:1

nf
X
JC = tr(cT (k + j)c(k + j)) (2.14a)
j=1
nf
X
+ tr(eT (k + j)e(k + j)) (2.14b)
j=1
nf
X
tr(cT (k + j)e(k + j) + eT (k + j)c(k + j)) (2.14 )
j=1
Note que o somatrio em (2.14a) igual funo de usto minimizada no MPC obtida
na equao (2.13). J o somatrio em (2.14 ) representa a orrelao ruzada entre os
erros de ontrole e identi ao, e de a ordo om (GEVERS, 2002) pode ser resolvido
utilizando ajuste iterativo. Porm esta estratgia est fora do es opo deste trabalho.
Uma vez que o somatrio em (2.14b) depende apenas do erro de identi ao, ele o
omponente mais relevante do JC para esta seo, e ser referido omo Jlrpi ( do ingls
Long Range Predi tion Identi ation ost index). O Josapi ( do ingls One Step Ahead
Predi tion Identi ation ost index ) normalmente utilizado em mtodos de predio de
1A norma de Frobenius pode ser expressa usando o operador trao: kAk2F = tr(AT A)
erro (PEM) omo os mnimos quadrados, obtido fazendo nf = 1.
nf
X
Jlrpi (k) = ke(k + j)k2F (2.15)
j=1
Josapi (k) = ke(k + 1)k2F (2.16)
Intuitivamente, f il per eber que no es opo de ontrole preditivo o ndi e Jlrpi

mais apropriado do que Josapi . MRI foi estudado minun iosamente em (GOPALUNI;
PATWARDHAN; SHAH, 2004) e veri ou-se melhor desempenho do ontrolador pre-
ditivo quando estima-se os parmetros do modelo minimizando Jlrpi ao invs de Josapi .
Tambm foi provado que qualquer experimento que informativo o su iente para a
abordagem de um passo frente, tambm ser informativo o su iente para a abordagem
multi-passos frente. Com isso, se o modelo destina-se a ser usado em MPC, o ndi e a
ser minimizado no estgio de identi ao o Jlrpi . O ndi e pode ser avaliado para um
onjunto de dados omo:
N nf
N X
X X
JLRP I = Jlrpi (k) = ke(k + j)k2F (2.17)
k=1 k=1 j=1
onde,
e(k + j) = y(k + j) x(k + j 1) (2.18)
A partir da equao (2.10), x(k + j 1) ontm os elementos y

(k + j ),
[1, 2, ..., j 1], que por sua vez, depende de ; Por isso, este um problema no linear em
e no h uma soluo fe hada omo no aso da abordagem um passo frente.2 Assim,
faz-se ne essrio re orrer a algoritmos de otimizao numri a iterativa para minimizar
JLRP I .
Mtodos dos mnimos quadrados no lineares envolvem uma melhoria iterativa dos
valores dos parmetros, de modo a reduzir a soma do quadrado dos erros da funo de
usto. O mtodo de Levenberg-Marquardt (LM) uma das t ni as padro para resolver
problemas de mnimos quadrados no lineares (MORE, 1977). O mtodo LM uma
ombinao de duas t ni as de minimizao: o mtodo de gradiente des endente e o
mtodo de Gauss-Newton. No mtodo de gradiente des endente, a soma dos quadrados
dos erros reduzida ao atualizar os parmetros na direo da maior reduo da funo de
usto. No mtodo de Gauss-Newton, a soma dos erros quadrti os reduzida assumindo
que a funo dos mnimos quadrados lo almente quadrti a, e en ontrando o mnimo
desta aproximao. O mtodo de Levenberg-Marquardt age mais omo um mtodo de
2A abordagem um passo frente linear em pois requer apenas xk+1 que independente de .
gradiente des endente quando os parmetros esto longe de seu valor ideal, e age mais
omo o mtodo de Gauss-Newton quando os parmetros so perto de seu valor ideal.
2.4 Mtodos de Variveis Latentes (LVM)

Uma das possveis abordagens para lidar om dados de identi ao orrela ionados
utilizar os mtodos de variveis latentes (LVM). LVMs transformam os dados ruidosos e
orrela ionados em um onjunto de dados reduzido e informativo, no qual a identi ao
pode ser realizada om su esso. O mtodo dos mnimos quadrados par iais (PLS) um
LVM que determina as variveis latentes minimizando a orrelao entre os es ores de
entrada e sada.
Em problemas de regresso linear da forma
Y = X + F
possvel utilizar o mtodo dos mnimos quadrados e obter a matriz de parmetros

omo:
= (XT X)1 XT Y
Porm, na o orrn ia de orrelao nos dados de identi ao, a matriz (XT X) mal
ondi ionada. Por isso, a obteno de pelos mnimos quadrados no ser al anada om
su esso, ausando grande erro de varin ia. A m de solu ionar este problema, realiza-se
a regresso no espao das variveis latentes.
Dados Y e X, a reduo das variveis pode ser realizada omo :
Y = UQT + F (2.19)
X = TPT + E (2.20)
onde Y RN ny o espao das sadas; U RN nlv , os es ores de sada; Q Rny nlv , as

argas de sada; F RN ny , os resduos de sada; X RN nx o espao das entradas;
T RN nlv , os es ores de entrada; P Rnx nlv , as argas de entrada; E RN nx , os
resduos de entrada;
Conforme ilustrado na gura 2.3, o primeiro passo no LVM projetar o espao original
(externo) no espao reduzido das variveis latentes (interno). Note que a matriz de re-
gresso no espao externo possui nx olunas, e no espao interno nlv . nlv uma es olha de
projeto e normalmente es olhe-se um valor inferior a nx assumindo que h olinearidade
nos dados de identi ao.
O espao das variveis latentes denido pelos es ores T e U. O modelo no espao
Figura 2.3: LVM: Projeo no espao das variveis latentes
interno pode ser obtido omo:
U = |{z}
TB + resduos
LS
B = (TT T)1 TT U (2.21)

,U
Note que agora a identi ao pode ser realizada no espao interno, B obtido om
base em U e T. Uma das propriedades deste mtodo que as olunas de T so ortogonais,
om isso a obteno de B no ser afetada pela orrelao presente nos vetores olunas
de X.
A m de es olher o melhor valor para o nmero de variveis latentes nlv a serem usadas
no espao interno, introduz-se o ndi e MSEP (Mean Squared Error of Predi tion)
N
1 X
MSEP = f (k)k2F
kyf (k) y
N k=1
Dado um onjunto de dados de identi ao e um preditor, possvel al ular o MSEP.

Para validar um preditor a partir do MSEP, um onjunto de dados de validao diferente
daquele utilizado na identi ao geralmente utilizado. Tambm possvel utilizar o
onjunto de dados de identi ao e apli ar a validao ruzada (TROPSHA; GRAMA-
TICA; GOMBAR, 2003). De a ordo om (PLA, 2012), para um dado onjunto de dados
de identi ao, o nmero de parmetros no modelo afeta diretamente a de omposio do
MSEP entre os erros de polarizao e de varin ia. Veri a-se na gura 2.3, a dimenso
de nx ny e a dimenso de B nlv nlv , assim o ajuste de nlv permite melhorar
o MSEP. Alm disso, P e Q tambm devem ser onsiderados uma vez que eles tambm
so ajustados no onjunto de dados de identi ao, e isto afeta na reduo do nmero
de parmetros para ajuste.
A estratgia utilizada avaliar iterativamente o ndi e MSEP para diversos valores de
nlv . Ini ia-se om nlv pequeno e onforme ele aumenta, MSEP diminui. Es olhe-se o nlv
omo o menor valor que forne e uma reduo signi ativa do MSEP.
Assim, se a identi ao for realizada no espao das variveis latentes: Y e X so
projetados sob um espao reduzido (nlv ), e o modelo ajustado neste espao interno. A
diferentes abordagens para denir a projeo: PLS, Regresso em Componentes Prin ipais
(PCR), regresso por reduo de posto (RRR) e regresso poten ial (KIERS; A.K., 2007).
De a ordo om a omparao entre os vrios mtodos realizada em (KIERS; A.K., 2007),
PLS e PCR so parti ularmente indi ados em asos de presena de olinearidade, enquanto
nos demais asos mais indi ado utilizar a regresso linear ordinria.
2.4.1 Algoritmo Partial Least Squares (PLS)

As diferentes abordagens para a obteno das argas P e Q nas equaes (2.19) e (2.20)
do origem a diferentes LVM. No PLS, a i-sima varivel latente obtida tal que a
orrelao entre os es ores de entrada ti e os es ores de sada ui seja maximizada. Note
que ti e ui so as i-simas olunas de T e U respe tivamente.
O algoritmo PLS des rito em detalhes em (HSKULDSSON, 1988), onde uma
matriz adi ional W usada junto a P no algoritmo NIPALS modi ado para obter T
om vetores olunas ortogonais. Como expli ado em (MARTENS, 2001), T pode ser
obtido de X omo:
T = X W(PT W) 1 (2.22)
| {z }
,Z
Com base nas equaes (2.19),(2.20), (2.21) e (2.22), o modelo no espao externo
pode ser obtido usando o PLS omo:
Y T = TBQT = X ZBQT
= UQ (2.23)
| {z }
,
= ZBQ T
(2.24)
O algoritmo do mtodo PLS, implementado em (HSKULDSSON, 1988) des rito a

seguir:
1. In io: u re ebe a primeira oluna de Y .
2. w = XT u/(ut u)
3. w = w/kwk
4. t = Xw
5. c = Y T t/(tTt)
6. c = c/kck
7. u = Yc/(cT c)
8. Testa se kui ui1 k Tolern ia , aso positivo prosseguir para o passo 9; aso
negativo voltar ao passo 2
9. p = XT t/(tT t)
10. l = Y T u/(uT u)
11. b = uT t(tT t)
12. X = X tpT
13. Y = Y btcT
14. Parar o algoritmo aso kXk = 0 (ou outro ritrio de parada, omo por exemplo
nmero de iteraes). Caso ontrrio, voltar ao passo 1.
2.5 Regularizao
Considere o modelo de regresso linear usual: dados ni preditores x1 , ..., xni , a resposta
predita da sada y dada por:
y = 0 + x(1)1 + ... + x(ni )ni
Ao apli ar uma t ni a de ajuste de modelo, ser produzido um vetor de oe ientes

= [0 , 1 , ...ni ] do sistema. Por exemplo, ao apli ar a t ni a dos mnimos quadrados
ordinria, as estimativas so obtidas ao minimizar a soma do quadrado da diferena
entre os dados observados e os dados previstos pelo modelo. Existem diversos ritrios
para avaliar a qualidade de um modelo, no geral os dois aspe tos itados a seguir so
onsiderados importantes:
Pre iso do modelo o grau de delidade das predies do modelo quando dados
futuros so apli ados. Isto pode ser mensurado a partir dos os ndi es de avaliao
de modelo apresentados na seo 4.2.
Seleo de re ursos uma propriedade espe ialmente desejvel em sistemas MIMO,

onde existem um grande nmero de preditores. Esta propriedade onsiste no pro-
esso de seleo de um sub onjunto de re ursos (preditores) relevantes para a ons-
truo do modelo. A hiptese prin ipal das t ni as de seleo de re urso a
existn ia de re ursos irrelevantes ou redundantes nos dados de identi ao. Re-
ursos irrelevantes no forne em nenhuma informao til no l ulo da regresso
e re ursos redundantes so aqueles que no forne em mais informaes do que os
re ursos atualmente sele ionados, ou seja h orrelao na matriz de regresso. Os
benef ios desta propriedade so:
Predio: Melhorar o desempenho da predio ao eliminar ara tersti as rui-

dosas e/ou atenuar o problema de sobreajustamento (overtting ) via uma re-
duo de dimenso.
E in ia: Reduz onsumo de memria, tempo de aprendizado, tempo de pro-
essamento. Fa ilita a aquisio de dados futuros ao reduzir a quantidade dos
dados a serem oletados.
Compreenso dos dados: Identi ar os fatores relevantes permite que se tenha
um maior entendimento a er a das relaes entre as variveis do pro esso.
O erro mdio quadrado (MSE) sem dvida o mais importante ritrio utilizado para
avaliar o desempenho de um preditor ou um estimador (A distino sutil entre preditores e
estimadores que as variveis aleatrias so preditas e variveis onstantes so estimadas).
O MSE tambm til para transmitir os on eitos de polarizao, pre iso e exatido na
estimao estatsti a. Dado um onjunto de entradas x, o modelo obtido pelo mtodo de
identi ao ir predizer as sadas y(x). O MSE pode ento ser al ulado omo:
N
1 X
MSE = E ky yk 2
= (y(i) y(i))2 (2.25)
N i=1
No Teorema 1 mostrado que o MSE pode ser de omposto em termos que reetem a
inun ia da varin ia e da polarizao na estimao.
Na regresso linear pelo mtodo dos mnimos quadrados obtm-se a estimao dos
parmetros ao minimizar a soma dos erros quadrti os. Porm quando existe orrelao
entre os preditores, a minimizao da funo de usto denida na t ni a dos mnimos

quadrados ordinria pode resultar em oe ientes de regresso ex essivamente grandes,
uma vez que este mtodo tem di uldade em quanti ar a relao entre uma sada e qual-
quer nmero de preditores altamente orrela ionados. Como onsequn ia, o orre uma
inao dos parmetros da regresso linear estimados. Os mtodos de regresso regulari-
zada, tambm onhe idos omo mtodos de penalizao ou mtodos de "en olhimento",
adi ionam um termo de penalidade na funo de usto que ir restringir a magnitude dos
oe ientes estimados.
A seguir sero apresentadas trs t ni as de regularizao, a regresso Ridge, Lasso e
Elasti Net. Esta ltima foi es olhida para implementar o algoritmo de bus a linear EN-
PH proposto. O primeiro passo nas t ni as de regularizao subsequentes normalizar
as variveis (dependentes e independentes). Isto realizado subtraindo de ada elemento
o valor da mdia e em seguida dividindo por seu desvio padro. A normalizao pode
riar uma di uldade na notao, uma vez que seria ne essrio indi ar de alguma forma
se as variveis nas equaes foram normalizadas ou no. Com o intuito de manter a
lareza ser assumido que todas as variveis utilizadas nas t ni as de regularizao foram
normalizadas e se omite qualquer indi ao na notao.
Teorema 1 Considere um onjunto de vetores de entrada x1 , ..., xN e um vetor de sadas

medidas yi asso iado a ada xi . Assumindo que a sada medida afetada por um rudo yi =
f (xi )+, onde f (xi ) a funo entrada/sada real e o rudo tem mdia zero e varin ia
2 . O erro mdio quadrti o das sadas preditas y = f(x) onsiste na ombinao da
inun ia da polarizao e da varin ia das estimativas:
MSE = E(ky yk2 ) = Bias(

y (x))2 + V ar(
y (x)) + 2 (2.26)
Onde, V ar(y) a matriz de ovarin ia de y e Bias(y ) = E(y) y .

Prova. De a ordo om (HSKULDSSON, 1988), o MSE pode ser de omposto entre a
soma do quadrado da polarizao do erro e a varin ia residual do erro. Uma vez que
o operador E(.) linear, su iente provar para o aso SISO (a extenso para o aso
MIMO realizada inserindo o operador E(.) no somatrio de ada sada).

E[(y y)2 ] = E (y f + f y)2

= E (y f )2 + E (f y)2 + 2E [(f y)(y f )]

= E (y f )2 + E (f y)2 + 2 E[f y] + E[yf ] E[y y] E[f 2 ]
Neste primeiro passo foi aumentada a soma om dois termos que se an elam. Tambm
foi usada expanso binomial e a linearidade da esperana. Observe que y f = , assim
o primeiro termo E[2 ] = 2 . Veri a-se ento que o ltimo termo anulado:
E[y] = f e f determinsti o, assim E[yf ] simpli a para f 2 que an ela om o

termo E[f 2 ] = f 2 .
E[y y] = E[(f + ) y ]; y independente de e o ltimo tem mdia

y ] = E[f y] + E[
zero, anulando este termo. Assim E[f y] E[y y] = 0.
O resultado deste primeiro passo :

E[(y y)2 ] = 2 + E (f y)2
Apli ando o mesmo pro edimento no ltimo termo da equao anterior teremos:

E[(f y)2 ] = E (f E[ y ] y)2
y ] + E[

y ])2 + E (E[
= E (f E[ y ] y)2 + 2E [(E[
y ] y)(f E[
y ])]
O ltimo termo anulado de forma anloga ao passo anterior. Finalmente, o termo

resultante :

E[(y y)2 ] = E (f E[
y ])2 + E (E[
y ] y)2 + 2
y )2 + V ar(
= Bias( y) + 2
2.5.1 Regresso Ridge

Para ontrolar a varin ia das estimativas, utiliza-se o re urso de regularizar os oe ientes
da estimao, i.e. limita-se o res imento dos oe ientes. A restrio Ridge, ou L2,
adi iona a penalidade da soma do quadrado dos parmetros de regresso funo de
usto: (HOERL; KENNARD, 1970)
n p
X X
minimizar 2
(y(i) y(i)) s.t. j2 t (2.27)
i=1 j=1
Uma outra forma de expressar a restrio Ridge a partir da soma penalizada do quadrado
dos parmetros de regresso (OSBORNE; PRESNELL; TURLACH, 2000):
n p
X X
2
SSEL2 = (y(i) y(i)) + j2
i=1 j=1
= (y X)T (y X) + kk22 (2.28)

A terminologia "L2"representa a penalidade de segunda ordem (i.e., quadrti a) utili-

zada na estimativa dos parmetros. Esta penalidade apenas ir permitir que as estimativas
dos parmetros tornem-se grandes se houver uma reduo propor ional na SSE. 0
um parmetro de ajuste, onhe ido omo parmetro de penalidade, ele ontrola o grau de
penalidade apli ada. Este mtodo tende a "en olher"as estimativas orrela ionadas para
prximo de 0 onforme aumenta (KUHN; JOHNSON, 2013).
Uma vez que a SSEL2 onvexa, ela possui soluo ni a. Derivando e igualando a
zero obtm-se:
SSEL2
= 2XT (y X) + 2 = 0

Com isso, a soluo de ridge dada por:
ridge
= (XT X + I)1 XT y (2.29)
Note que:
Quando = 0, Obtem-se a estimao linear padro ridge

=0 =
LS
Quando = , Tem-se ridge = 0
Para outros valores de , pondera-se a ao entre as duas ideias: ajustar o modelo

linear de y em X e en olher os oe ientes.
A in luso do parmetro de en olhimento torna o problema no singular, mesmo no aso

de XT X ser no inversvel. Esta foi a motivao original para a regresso ridge (HOERL;
KENNARD, 1970). Note que a soluo indexada pelo parmetro , ou seja, para ada
valor de obtm-se uma soluo diferente. Assim, ele responsvel por ontrolar a
magnitude dos oe ientes estimados.
Uma propriedade interessante que a regresso ridge possui a de seleo de grupo. Se
dois preditores so fortemente orrela ionados, seus oe ientes devem ter valores prxi-
mos. Se algumas das variveis forem idnti as, elas devero possuir o mesmo oe iente.
Ridge desempenha bem a ara tersti a de seleo de grupo, porm no apaz de elimi-
nar preditores irrelevantes.
A de omposio em valores singulares (SVD) da matriz de entradas entralizada X
R N ni
dada por X = UDVT . ela forne e informaes interessantes da natureza da
regresso ridge. Aqui U RN ni e V Rni ni so matrizes ortogonais, em que as olunas
de U e V so hamados de vetores singulares esquerda e direita de X respe tivamente.
D Rni ni uma matriz diagonal ujos elementos da diagonal d1 d2 ... dp 0
so os valores singulares de X. Se um ou mais valores dj = 0, X singular.
Utilizando a de omposio SVD podemos es rever o vetor ajustado pela soluo dos
mnimos quadrados omo:
X LS = X(XT X)1 XT y
= UUT y
Aps algumas simpli aes. Note que UT y so as ordenadas de y om relao base

ortonormal U.
As solues ridge so dadas por:
X ridge = X(XT X + I)1 XT y

= UD(D2 + I)1 DUT y
ni
X d2j
= uj 2 uTj y
j=1
d j +
onde uj so as olunas de U. Note que omo 0, o termo d2j /(d2j + ) 1. Assim

omo nos mnimos quadrados, ridge omputa as oordenadas de y om respeito base
ortonormal de U. Em seguida ele atenua (en olhe) estas oordenadas pelo fator d2j /(d2j +
). Assim, uma maior atenuao ser realizada sobre as oordenadas do vetor da base
om menor d2j .
2.5.2 Regresso Lasso

Embora a regresso Ridge en olha alguns oe ientes orrela ionados para prximo de
0, ele no al ana o zero absoluto para nenhum valor da penalidade. Assim, mesmo que
algumas estimativas de parmetros tornem-se negligen iavelmente pequenas, este modelo
no onduz seleo de re ursos.
Uma alternativa popular para a regresso Ridge o modelo de en olhimento mnimo
absoluto e seleo de operadores, tambm hamado de lasso (TIBSHIRANI, 1996). No
mtodo lasso, onsidera-se o seguinte problema de problema de otimizao L1 :
n
X P
X
min 2
(y(i) y(i)) s.t. |j | t (2.30)
i=1 j=1
Embora parea uma mudana pequena, as impli aes prti as so signi antes. Uma
onsequn ia da natureza da penalizao dos valores absolutos dos oe ientes que fa-
zendo t su ientemente pequeno, alguns dos parmetros sero, de fato, anulados. Assim,
o lasso forne e modelos que utilizam regularizao para simultaneamente melhorar o de-
sempenho das predies e onduzir seleo de re ursos. Se t for es olhido maior que
Pp
t0 = 1 |jLS |, ento as estimativas lasso sero lasso = LS . Para valores menores de
t a soluo dos mnimos quadrados ser en olhida por algum fator. A funo de usto
na equao (2.30) equivalente funo de usto penalizada da forma: (OSBORNE;
PRESNELL; TURLACH, 2000)
n
X P
X
2
SSEL1 = (y(i) y(i)) + |j |
i=1 j=1
T
= (y X) (y X) + kk1 (2.31)
Finalmente os oe ientes lasso so obtidos a partir de:
lasso
= arg min (y X)T (y X) + kk1 (2.32)

Novamente existe o parmetro de ajuste que ontrola a quantidade de regulariza-

o. Porm, devido restrio L1 ser no linear, lasso
no possui uma soluo fe hada
omo na regresso ridge. Sua implementao envolve t ni as de programao quadr-
ti a. O algoritmoLeast Angle Regression (LAR) apresentado em (EFRON et al., 2004)
onsiderado uma verso mais "demo rti a"da regresso forward stepwise e forne e um
algoritmo e iente para o l ulo do trao lasso ompleto. O algoritmo LAR des rito
nos passos a seguir:
Algoritmo Least Angle Regression (LAR)

1. Normaliza-se os preditores X para que tenham mdia zero e varin ia unitria e y
entralizado.
2. Ini ia-se om o resduo r = y y e 1 = 2 = ... = p = 0.
3. En ontra-se o preditor xj mais orrela ionado om r .
4. Move j de 0 em direo a seus oe ientes dos mnimos quadrados < xj , r >, at que
algum outro ompetidor xk possua o mesmo nvel de orrelao om o resduo atual
que xj possui. Se um oe iente no-nulo atingir o zero, remover sua varivel do
onjunto ativo de variveis e re al ular a direo dos mnimos quadrados onjuntos.
5. Move j e k na direo denida por seus oe ientes dos mnimos quadrados on-
juntos do resduo atual em (xj , xk ), at que algum outro ompetidor xl possua o
mesmo nvel de orrelao om o resduo atual.
6. Repetir o pro edimento anterior at que todos os p preditores tenham sido in ludos.
aps min(N 1, p) passos, a soluo ser al anada.
Por m, interessante notar que a regresso lasso no realiza seleo de grupo omo
a ridge. Se um grupo de preditores for altamente orrela ionado lasso tende a es olher
apenas um e en olher os demais para zero. Porm o lasso apaz de eliminar variveis
irrelevantes.
2.5.3 Regresso Elasti -Net

Embora o lasso tenha mostrado su esso em muitas apli aes, ele possui algumas limita-
es. Considere os trs seguintes enrios:
No aso de haver mais oe ientes que amostras, p > N , o lasso ir sele ionar no
mximo N variveis antes de saturar, graas natureza do problema da otimizao
onvexa. Este uma limitao para um mtodo de seleo de variveis. Alm disso,
o lasso no bem denido a menos que a restrio dos oe ientes na norma L1
seja menor que um erto valor.
Se h um grupo de variveis sob as quais exista um alto grau de orrelao, ento

o lasso tende a sele ionar apenas uma das variveis do grupo e no se importa om
qual das variveis ser sele ionada.
Para situaes usuais, N > P , se existe alta orrelao entre os preditores, tem sido
observado empiri amente que o desempenho da regresso lasso so inferiores aos da
regresso ridge (TIBSHIRANI, 1996).
O elasti net uma nova t ni a de regularizao que atua de forma semelhante ao

lasso, nas situaes em que os problemas itados anteriormente no so presen iadas, e
alm disso remove qualquer degenerao e omportamentos abruptos ausados por fortes
orrelaes. O elasti net faz simultaneamente a seleo automti a de variveis e atenu-
ao ontnua dos regressores. Esta t ni a foi omparada a uma rede de pes a extensvel
que retm "todos os peixes grandes" (ZOU; HASTIE, 2005).
A t ni a de regularizao elasti net ombina as penalidades do tipo ridge e lasso,
apresentadas anteriormente. A funo de usto penalizada da forma:
N
1 X (1 EN )
SSEEnet = 2
(y(i) y(i)) + 2 EN
kk2 + || (2.33)
2N i=1 2
Novamente, graas no linearidade da penalidade sobre valor absoluto dos parme-

tros, no haver uma soluo de forma fe hada, e os parmetros so obtidos a partir da
minimizao:

(1 EN )
EN

T
= arg min (y X) (y X) + kk22 + EN || (2.34)
2
onde 0 o parmetro de omplexidade e 0 EN 1 o parmetro responsvel por

fazer om que o elasti net atue de forma intermediria entre os omportamentos ridge e
lasso. Note que o elasti net torna-se o lasso quando EN = 1 e torna-se o ridge quando
EN = 0. Conforme EN aumenta de 0 a 1, para um dado a espar ialidade de EN
(i.e.
o nmero de oe ientes iguais a zero) aumenta de 0 at a espar ialidade obtida no lasso.
A vantagem deste mtodo possibilitar uma regularizao e iente via a penalidade
mais agressiva do tipo ridge om a qualidade de seleo de re ursos da penalidade lasso. O
elasti net en oraja o efeito de seleo de grupo visto na regresso ridge e ao mesmo tempo
remove variveis irrelevantes omo no lasso. Em (ZOU; HASTIE, 2005) mostrado que
este modelo ir lidar om grupos de preditores altamente orrela ionados de forma mais
e iente.
Existem diversos algoritmos que implementam a soluo da equao (2.34). Neste
trabalho ser usado o pa ote de algoritmos rpidos de digo aberto Glmnet que rea-
liza a estimao dos parmetros de modelos lineares regularizados via lasso e elasti -net.
Ele utiliza a t ni a de oordenada des endente li a omputada om o aminho de
regularizao (QIAN et al., 2013).
2.5.4 Obteno de
Em todos os mtodos de regularizao apresentados foi visto que uma soluo diferente
obtida para ada valor de utilizado. A questo que ainda no foi denida dado um
onjunto de dados de identi ao, omo es olher o ideal. Retori amente esta questo
foi abordada a partir dos aminhos de regresso e em seguida veri ou-se que a melhor
soluo utilizar a validao ruzada.
Caminhos das regresses

Hoerl e Kennard, os inventores da regresso ridge (HOERL; KENNARD, 1970), utiliza-
ram um gr o intitulado trao ridge para ajudar a es olher um valor apropriado para .
Estes traos so onstrudos traando os omponentes de ridge
nas ordenadas e os valores
de nas abs issas. Ao estudar o gr o gerado, o analista es olheria um valor para
para o qual os oe ientes de regresso estivessem estabilizados. No geral os oe ientes
variam bastante para pequenos valores de e em seguida se estabilizam. Alm disso,
deve-se es olher o menor valor possvel para (o que introduzir menor polarizao)
a partir do qual os oe ientes permane ero onstantes. Este tipo de gr o tambm
pode ser gerado para as regresses lasso e elasti net, e uma anlise semelhante pode ser
empregada.
Em (ZOU; HASTIE, 2005) apresentado um exemplo da lassi ao para seleo
de genes em dados de leu emia que onsistiam em 7129 genes e 72 amostras. No onjunto
de dados de treinamento existiam 38 amostras divididas entre leu emia do tpo 1 e 2. Na
gura 2.4 possvel omparar os aminhos ridge,lasso e elasti net. Aqui, as abs issas
Figura 2.4: aminhos das regresses para o exemplo da leu emia
indi am a magnitude dos oe ientes estimados e as ordenadas mostram apenas os 10

primeiros passos (valores para ). A partir destes gr os possvel visualizar o om-
portamento dos trs mtodos. No mtodo lasso, vrios oe ientes so zerados devido
presena de orrelao, porm per ebe-se que suas magnitudes no foram to atenuadas
omo nos demais mtodos. No trao ridge, todos os oe ientes so fortemente atenuados,
per ebe-se o efeito da seleo de grupo onde os preditores orrela ionados obtiveram oe-
ientes de magnitude semelhante. No trao elasti net foi utilizado = 0, 2 e apresenta
um aminho intermedirio entre o lasso e ridge, ainda possvel ver o efeito da seleo de
grupo neste trao.
Validao Cruzada
A estratgia de utilizar os aminhos das regresses para a es olha de foi duramente
riti ada devido falta de objetividade (BURT; FRANK; BEATTIE, 1987). Para resolver
este problema, tornou-se prti a padro utilizar a validao ruzada para sele ionar .
De a ordo om (TROPSHA; GRAMATICA; GOMBAR, 2003), a validao ruzada
uma t ni a de avaliao da apa idade de generalizao de um modelo, a partir de um
onjunto de dados. Bus a-se estimar o quo pre iso este modelo na prti a, i.e. avaliar
o seu desempenho para um novo onjunto de dados. Assim, deve-se identi ar o modelo
f(.) a partir de um onjunto de treinamento e avaliar o desempenho de suas predies em
novos dados, hamados onjunto de teste. Quando o nmero de observaes su iente,
separa-se os dados disponveis nos onjuntos de treinamento e de teste.
A abordagem mais omum, es olhida para ser usada no presente trabalho, a validao
ruzada K-fold des rita a seguir:
Parti ionar o onjunto de treinamento T em K sub onjuntos mutuamente ex lusivos

de igual tamanho.
Obtendo T = (T1 , T2 , ..., TK )

Es olhas padres de K so K = 5 e K = 10
Para ada k = 1, 2, ..., K , ajustar o modelo fk (x) ao onjunto de treinamento om

()
ex eo do k-simo onjunto Tk .
Computar os valores dos parmetros ajustados para as observaes em Tk , baseado

no onjunto de treinamento que ex luiu este sub onjunto.
Computar o erro da validao ruzada (EVC) para o k-simo sub onjunto:

X
(y fk (x))2
() ()
(EV C)k = |Tk |1 (2.35)
(x,y)Tk
O modelo ter o erro de validao ruzada geral dado por:
K
X ()
(EV C)() = K 1 (EV C)k
k=1
Sele iona-se que apresentar o menor (EV C)() .
Computa-se o modelo es olhido fk (x) no onjunto de treinamento ompleto T =

( )
(T1 , T2 , ..., TK ).
( )
Apli a-se fk (x) no onjunto de teste e avalia-se o erro de teste.
Na gura 2.5 apresenta-se um exemplo de urva de validao ruzada para a regresso

elasti net.
Figura 2.5: Exemplo de um gr o de validao ruzada para a regularizao
Na gura as abs issas so os valores do MSE e as ordenadas os valores de . Tambm

so desta ados dois pontos importantes da urva: LambdaMinMSE o valor de que
forne e o menor MSE; Lambda1SE o maior valor de para o qual o MSE est distante
de um desvio padro de seu mnimo.
2.6 Con luso

Neste aptulo foram apresentados os prin ipais on eitos dos mtodos de identi ao
relevantes ao ontrole preditivo. A abordagem paramtri a foi dada a partir da estrutura
de modelo ARX, que foi rees rita para ser inserida na equao da regresso linear. Em
seguida foi apresentada a diferena fundamental entre os mtodos de identi ao tradi-
ionais e os MRI, onde o primeiro baseia-se no preditor de um passo frente e o segundo
deve ontemplar todo o horizonte de predio futuro. Tambm foram des ritos os passos
ne essrios para a minimizao da funo de usto de mltiplos passos frente.
Foi realizada uma apresentao geral dos LVM e apontadas as prin ipais vantagens
em realizar a identi ao do modelo no espao das variveis latentes. Em seguida,
apresentou-se o mtodo de variveis latentes onhe ido omo PLS. Este mtodo realiza a
transformao nas variveis de forma a maximizar a orrelao entre os es ores de entrada
e de sada.
Por m foram apresentados neste aptulo os mtodos de regularizao e suas prin ipais
propriedades. Foi visto que ao introduzir uma penalidade no vetor de parmetros
possvel realizar uma tro a entre a polarizao e a varin ia do modelo estimado. O
mtodo de regresso Ridge utiliza uma penalizao quadrti a do vetor de parmetros,
o que forne e uma regularizao mais agressiva. Na regresso Lasso a penalidade dada
pelo mdulo do vetor de parmetros, isto a res enta a propriedade de seleo de re ursos
na regularizao. O mtodo de regresso Elasti -Net utiliza a penalidade quadrti a e
tambm do mdulo do vetor de parmetros, assim omporta-se de forma intermediria
entre o mtodo Ridge e Lasso possibilitando maior e in ia.
Captulo 3
Identi ao de sistemas baseada em

otimizao numri a
3.1 Introduo
Neste aptulo, a identi ao de sistemas relevante ao ontrole preditivo ser abordada
sob a luz da otimizao numri a. Primeiramente os parmetros dos modelos sero esti-
mados om base no algoritmo de bus a linear iterativo hamado Least Squares - Predi tion
Horizon (LS-PH), que atualiza os valores dos parmetros apli ando os mnimos quadrados
para minimizar a funo de usto de mltiplos passos frente (JLRP I ). Em seguida este
algoritmo ser estendido dando origem a dois novos mtodos, o PLS-PH e o EN-PH.
O algoritmo PLS-PH proposto em (PLA, 2012) um mtodo paramtri o MRI apaz
de identi ar pro essos que apresentam orrelao entre as variveis. A ideia fundamental
do algoritmo reduzir o fenmeno da olinearidade presente na matriz de regressores
realizando a identi ao no espao das variveis latentes.
O mtodo EN-PH proposto neste trabalho tambm teve omo motivao abordar os
problemas ausados quando h olinearidade na matriz de regressores. Porm ao invs
de utilizar os LVM omo foi feito no mtodo PLS-PH, o EN-PH baseia-se nos mtodos
de regresso linear regularizados. No mtodo proposto, uma bus a linear exe utada
visando en ontrar os parmetros que minimizam a funo de usto JLRP I , apli ando em
ada iterao a t ni a Elasti -Net para en ontrar a nova direo do vetor de bus a.
37
Captulo 3. Identi ao de sistemas baseada em otimizao numri a 38
3.2 Algoritmo Least Squares - Predi tion Horizon (LS-

PH)
Foi visto que JLRP I uma expresso quadrti a de uma funo no linear em , por
isso deve-se re orrer otimizao no onvexa para minimiza-lo. LS-PH (Least Squares
Predi tion Horizon) um mtodo de otimizao numri a de bus a linear baseado numa
aproximao de JLRP I diferente da usada em Taylor. Antes de denir a aproximao
vamos rees rever JLRP I na forma matri ial
nf N
X X
JLRP I = ||e(k + j)||2F = ||Ea ||2F (3.1)
j=1 k=1
onde,
Ea1 e(1 + j)
. ..
.
.
Ea = ; Eaj = . , j [1, 2, ..., nf ]

Eanf e(N + j)
Eaj so matrizes de dimenses N n0 , e ontm os erros de identi ao baseados
nas predies em k + j om informaes disponveis at o instante k . A matriz de erro
de predio de um passo frente obtida para nf = 1, om isso Ea = Ea1 = E. Cada
submatriz Eaj obtida de:
Eaj = Yaj Xaj (3.2)
onde,

y(j + 1) xj
.. ..
Yaj =
.
; Xaj =
.
, j [1, 2, ..., nf ] (3.3)
y(j + N) x(j + N + 1)
A matriz de erro de identi ao global Ea RN.nf n0 dada por:
Ea = Ya Xa (3.4)
sendo,
Ya1 Xa1
. .
. . (3.5)
.
Ya = ; .
Xa =
Yanf Xanf
Assim, o ndi e de usto pode ser expresso omo:
JLRP I () = kYa Xa k2F

Uma vez que as matrizes Xaj , ontidas em Xa dependem de j > 1, o problema

no linear em . Porm possvel aproximar JLRP I para uma expresso linear em na
vizinhana do valor atual k denindo Xa |k omo sendo Xa omputado a partir do valor
k :
JLRP I ( k + p) = kYa Xa |k ( k + p)k2F

= tr((Ya Xa |k ( k + p))T (Ya Xa |k ( k + p)))
= tr(YaT Ya ) tr(YaT Xa |k ( k + p)) ...
tr(( k + p)T Xa |Tk Ya ) + tr(( k + p)T Xa |Tk Xa |k ( k + p)) (3.6)
Assim omo na abordagem Newtoniana, a direo de bus a p obtida igualando a

primeira derivada da funo de usto JLRP I a zero:
JLRP I tr(YaT Ya ) tr(YaT Xa |k ( k + p)) tr(( k + p)T Xa |Tk Ya )

= ...
( k + p) ( k + p) ( k + p) ( k + p)
tr(( k + p)T Xa |Tk Xa |k ( k + p))
+
( k + p)
= 0 (YaT Xa |k )T Xa |Tk Ya + (Xa |Tk Xa |k + (Xa |Tk Xa |k )T )( k + p)
= 2Xa |Tk Ya + 2Xa |Tk Xa |Tk ( k + p) (3.7)
JLRP I
= 0 = 2Xa |Tk Ya + 2Xa |Tk Xa |Tk ( k + p)
( k + p)
( k + p) = (Xa |Tk Xa |Tk )1 Xa |Tk Ya
pk = (Xa |Tk Xa |Tk )1 Xa |Tk Ya k (3.8)
O vetor de bus a pk dado pela soluo dos LS para Xa |k e Ya menos o vetor

de parmetros atual, dai o nome do algoritmo LS-PH. O prximo passo al ular o
omprimento do passo k :
k = min JLRP I ( k + k pk )

Uma bus a linear exata de k dispendiosa, e apenas requerer um de rs imo em

JLRP I no garante onvergn ia global (PLA, 2012); Da o interesse em uma bus a linear
inexata para determinar k . As ondies de parada na bus a linear inexata deve ser uma
tro a entre al anar uma queda substan ial de JLRP I e no levar muito tempo fazendo a
es olha. Quando a primeira derivada da funo de usto est disponvel, h um onjunto
de ondies de parada bastante difundido, tais quais as ondies de Goldstein e Wolfe
(GOLDSTEIN, 1967). Entretanto no h uma on ordn ia geral para parar a bus a

quando a derivada no for disponvel.
A bus a linear adotada baseada na aproximao quadrti a de JLRP I :
JLRP I ( k + pk ) a + b + c2 (3.9)
Note que o range de valores vlidos para [0, 1] omo foi provado na Proposio 1.
Com isso, a bus a linear inexata ser dada nos seguintes passos:
1. Ini ialmente, JLRP I avaliado para trs valores de = [0, 0.5, 1]
2. Os trs valores de e JLRP I quando apli ados na equao (3.9), formaro um sistema
de trs equaes e trs in gnitas. Resolvendo o sistema obtm-se os valores a, b e
c.
3. Veri a-se dentre os valores de o que minimiza JLRP I . Se este valor no estiver
no range [0, 1], ele ser des artado. Neste aso ser tomado omo o ponto
mdio entre os valores anteriores de se a parbola tiver a on avidade para ima;
ou entre o valor anterior de e 0 ou 1 aso ontrrio.
4. JLRP I avaliado para o novo valor de obtido no passo 3.
5. Os menores dois valores de JLRP I obtidos nas iteraes anteriores mais o valor obtido
no passo 4 so usados para estimar a, b e c novamente. seguir o algoritmo retorna
ao passo 3.
O pro edimento anterior repetido enquanto houver mudanas signi ativas de JLRP I ,
que pode ser veri ado na ondio de parada seguir:
|JLRP I ( k + k1 pk ) JLRP I ( k + k pk )| > 0.001JLRP I ( k ) (3.10)
Utilizando pk obtido na equao (3.8) e k om o pro edimento de bus a des rito

a ima, o novo valor de k+1 obtido da mesma forma que em Taylor:
k+1 = k + k pk (3.11)
O algoritmo LS-PH iterado enquanto a seguinte equao for satisfeita:
(JLRP I ( k ) JLRP I ( k+1)) > 0.001 (3.12)
O LS-PH um mtodo otimizao de bus a linear que apresenta os seguintes benef ios
omparados s abordagens de Newton e Quasi-Newton:
No ne essita obter a derivada de JLRP I expli itamente nem utilizar aproximaes.

Isto espe ialmente importante em problemas MIMO, onde possui dimenso
elevada.
A direo de bus a pk obtida resolvendo um problema de regresso linear. At

ento a forma fe hada dos LS foi utilizada, porm qualquer abordagem de regresso
linear pode ser usada. Na segunda parte da des rio do algoritmo PLS-PH, LS
substitudo pelo PLS para trazer o poten ial dos LVM para a minimizao de JLRP I
Proposio 1 O range de valores vlidos para [0, 1]
Prova.
deve ser maior que zero uma vez que pk uma direo des endente.
Substituindo pk da equao (3.8) na equao (3.11) e assumindo que = 1:
k+1 = k + pk
= k + [(Xa |Tk Xa |k )1 Xa |k Ya k ]
= k + (Xa |Tk Xa |k )1 Xa |k Ya k ]
= (Xa |Tk Xa |k )1 Xa |k Ya
Assim, para = 1, o valor de k+1 obtido o mnimo da aproximao JLRP I (na

vizinhana de Xa |k ). Tem-se o melhor aso quando assume-se que JLRP I = JLRP I ,
om essa suposio o valor mnimo ser atribudo para = 1.
3.3 Algoritmo Partial Least Squares - Predi tion Hori-

zon (PLS-PH)
Quando existe orrelao entre o onjunto de dados de identi ao, os mtodos de bus a
omentados a ima enfrentam problemas na inverso de Hk ; ou no aso do LS-PH, na
inverso de Xa |Tk Xa |k . Para lidar om este problema, no algoritmo PLS-PH, a soluo
pelos mnimos quadrados na equao (3.8) do vetor de bus a pk substituda pela soluo
do PLS obtida em (2.22) e (2.24). Assim, o novo vetor de bus a ser dado por:
pk = (Xa |Tk Xa |k )1 Xa |Tk Ya k

= ZBQT k
T
= W(PT W)1 k (3.13)
| {z }
ZBQ
onde W, P, B e Q so obtidos apli ando o algoritmo PLS em Xa |k e Ya . A vantagem do

mtodo PLS-PH utilizar PLS para minimizar JLRP I , possibilitando realizar a identi-
ao paramtri a tambm no aso de dados de identi ao mal ondi ionados.
3.4 Algoritmo Elasti Net - Predi tion Horizon (EN-

PH)
O mtodo EN-PH proposto neste aptulo teve omo motivao abordar os problemas
ausados quando h olinearidade na matriz de regressores. Porm ao invs de utilizar os
LVM omo foi feito no mtodo PLS-PH em (PLA, 2012), o EN-PH baseia-se nos mtodos
de regresso linear regularizada. No mtodo proposto, uma bus a linear exe utada
visando en ontrar os parmetros que minimizam a funo de usto JLRP I , apli ando em
ada iterao a t ni a Elasti -Net para en ontrar a nova direo do vetor de bus a.
O mtodo EN-PH proposto neste trabalho, assim omo o PLS-PH, pode ser dividido
em duas partes. A primeira parte formada pelo algoritmo LS-PH apresentado na seo
3.2, que onsiste em uma bus a linear ujo a equao do vetor de bus a baseia-se na
soluo dos mnimos quadrados. Porm diferente do PLS-PH, onde o termo da soluo
dos mnimos quadrados foi substitudo pela soluo do PLS na equao (3.8) do vetor
de bus a pk , o EN-PH ir en ontrar a nova direo de bus a pk apli ando o mtodo de
regularizao elasti net sob matrizes de dados de identi ao. O mtodo de regulari-
zao foi implementado a partir do pa ote de digo aberto Glmnet, que so algoritmos
e ientes apazes de obter os regressores lineares a partir dos aminhos Lasso ou Elasti
Net (QIAN et al., 2013).
Para es olher o melhor valor do parmetro de penalizao na equao (2.34), utilizou-
se o mtodo de validao ruzada K-fold des rito na seo (2.5.4), no qual a sada predita
()
f (x) = EN x e o nmero de folds es olhido foi K = 10. Esta um valor bastante omum
k
na validao ruzada K-fold e sua es olha foi justi ada ao omparar o desempenho dos
mtodos variando K de 1 a 10.
Conforme des rito anteriormente, o mtodo elasti net faz um balan eamento entre o
omportamento ridge e lasso a partir do valor de EN es olhido. Tambm foi proposta
neste trabalho uma rotina de bus a iterativa para en ontrar o melhor valor de para os
dados de identi ao que estiverem sendo analisados. A estratgia onsiste nos seguintes
passos:
1. Apli a-se o mtodo de regularizao elasti net implementado no pa ote Glmnet,

utilizando os dados Xa |k e Ya da equao (3.8) para todos os valores de EN no
range EN [0, 1] om o passo de 0, 005. Aps diversos testes, foi visto que este valor
de passo forne eu um desempenho satisfatrio e no sobre arregou o pro essamento
do algoritmo.
2. Armazena-se em um vetor os valores dos erros mdios da validao ruzada obtidos

para = 1se .
3. Em seguida, bus a-se no vetor armazenado no passo anterior qual valor timo de
alfa, opt
EN
, sendo este o que forne e o menor erro mdio da validao ruzada.
4. Apli a-se novamente o algoritmo elasti net sob os dados de identi ao utilizando
EN
= opt e = 1se , obtendo assim os oe ientes EN .
Uma vez obtidos os oe ientes EN , o vetor de bus a do mtodo EN-PH ser dado
por:
pk = (Xa |Tk Xa |k )1 Xa |Tk Ya k

| {z }
EN
= EN
k (3.14)
A partir da expresso do vetor de bus a modi ado, algoritmo de bus a linear prosse-
gue om os passos des ritos na seo 3.2, onde al ula-se o omprimento do passo pela
bus a inexata e em seguida, itera-se os parmetros a partir da equao (3.11). Tambm
foram utilizados os mesmos ritrios de parada.
Em seguida apresentado o pseudo- digo do algoritmo EN-PH:
1. Sele iona-se usando X e Y no mtodo Elasti Net a partir de uma bus a iterativa.
(Varia-se no intervalo [0,1 om o passo de 0.01 e ser es olhido o valor que forne er
o menor MSE)
2. Sele iona-se utilizando a t ni a de validao ruzada K-fold om X , Y e K = 10.
3. k obtido apli ando e forne idos nos passos anteriores.
4. Forma-se Ya e obtem-se Xa |k utilizando .

5. Obtem-se pk utilizando a equao (3.14). Os valores de e devem ser re al ulados

a ada iterao de forma idnti a des rita nos passos 1 e 2.
6. Ini ializa-se
~ = [0 0.5 1]
7. Estima-se a, b e c na equao (3.9) om os valores ini ializados no passo anterior.
8. En ontrar o ponto onde a primeira derivada da equao (3.9) zerada.
b
=
2c
9. De idir o novo valor de k : Se c > 0 (parbola para ima)

Se 0 < < 1
k =
Caso ontrrio
Se 0
k re ebe o ponto mdio entre os pontos 0 e min (~
), s.t. > 0.
Caso ontrrio
k re ebe o ponto mdio entre os pontos max (~
), s.t. < 1. e 1
Caso ontrrio
Se >
~ (1, 1)
k re ebe o ponto mdio entre os pontos 0 e min (~
), s.t. > 0.
Caso ontrrio
k re ebe o ponto mdio entre os pontos max (~
), s.t. < 1. e 1
10. O valor de
~ om o maior JLRP I removido e k inserido em
~.
11. Se a equao (3.10) mantiver-se verdadeira, repetir a partir do passo 7, aso ontrrio
ir para o passo 12.
12. k sele ionado omo o valor em

~ om o menor JLRP I .
13. k+1 = k + k pk
14. Finalizar aso o ritrio de parada da equao (3.12) for atingido; Caso ontrrio,
k = k + 1 e voltar ao passo 3.
3.5 Con luso

Neste aptulo foram visto trs algoritmos de bus a que possuem estratgias semelhantes,
diferen iando-se entre si om o mtodo utilizado para en ontrar a direo de bus a dos
parmetros estimados. O LS-PH o algoritmo de bus a linear que utiliza a soluo dos
mnimos quadrados para atualizar a direo de bus a; J o mtodo PLS-PH estende o LS-
PH ao substituir a soluo dos mnimos quadrados pela soluo obtida om o algoritmo
PLS. Em (PLA, 2012) veri ou-se que o desempenho do mtodo PLS-PH foi superior aos
demais mtodos omparados, espe ialmente em presena de orrelao entre preditores.
Por m o mtodo proposto EN-PH foi denido apli ando o mtodo de regularizao
Elasti -Net para atualizar a direo do vetor de bus a.
Captulo 4
Avaliao das t ni as de identi ao -

Simulao/Experimento
4.1 Introduo
Neste aptulo so apresentados exemplos de identi ao de sistemas a m de avaliar o
algoritmo EN-PH proposto. Esta avaliao ser realizada om base em uma anlise om-
parativa do desempenho preditivo dos modelos que foram obtidos utilizando os seguintes
mtodos de identi ao:
LS a abordagem mais simples onde apenas o ndi e JOSAP I minimizado. A

omparao om o LS pode justi ar a utilizao de algoritmos mais sosti ados
que minimizam JLRP I , uma vez que o modelo destina-se a ser usado no MPC.
EN Utiliza-se o pa ote Glmnet para resolver o problema de otimizao denido em

(2.34) e obter os parmetros pela regularizao. A omparao om o mtodo EN
interessante para omprovar os benef ios de sosti ar a soluo da regularizao
a partir do mtodo de bus a linear proposto.
LM (Levenberg Marquardt) onsiderado um mtodo de otimizao numri a de

regio de onana. Neste mtodo MRI utilizado o algoritmo LM implementado
no toolbox de otimizao do Matlab r
para minimizar JLRP I . Este mtodo foi
inserido a m de analisar o desempenho do novo algoritmo em omparao om
outra t ni a MRI.
PLS-PH o mtodo de otimizao numri a de bus a linear que minimiza o JLRP I

utilizando o PLS, para realizar MRI mesmo em asos de dados de identi ao
mal- ondi ionados.
46
Captulo 4. Avaliao das t ni as de identi ao - Simulao/Experimento 47
EN-PH o mtodo de otimizao numri a de bus a linear apresentado neste

aptulo. Ele baseou-se no algoritmo PLS-PH, porm ao invs de usar os mtodos
de variveis latentes, o EN-PH utiliza os mtodos de regresso regularizados para
lidar om a olinearidade na matriz de regressores.
Foram onsiderados dois exemplos de simulao e um experimental. No primeiro

exemplo os mtodos de identi ao foram apli ados ao modelo da oluna de destilao
de gua/metanol reportada em (WOOD; BERRY, 1973). Em seguida, o desempenho
dos modelos foi omparado na identi ao do pro esso da golfada utilizando o modelo
no-linear des rito em (JAHANSHAHI, 2013). Por ltimo uma planta trmi a de es ala
laboratorial foi identi ada e os resultados omparados. A omparao dos desempe-
nhos dos mtodos foi realizada utilizando trs ndi es de desempenho des ritos na seo
seguinte.
4.2 Indi adores de validao dos modelos

Trs ndi es de validao foram utilizados para avaliar o desempenho preditivo dos mode-
los obtidos por ada t ni a de identi ao. Os ndi es des ritos a seguir foram al ulados
usando experimentos de Monte Carlo, que a t ni a de repetir as simulaes om novas
entradas aleatrias um elevado nmero de vezes, e em seguida tomar a mdia dos resul-
tados dos experimentos. Com isso pretende-se ganhar uma maior representabilidade das
entradas na validao dos modelos.
4.2.1 JLRP IEV

Este ndi e usado para avaliar o desempenho dos modelos em termos de MRI. JLRP IEV
equivale ao valor de JLRP I al ulado na equao (2.17) apli ando os dados de validao
externos.
4.2.2 R2
O indi ador R2 uma matriz nf no ontendo os valores dos oe ientes de determinao
para dados externos. Cada elemento em R2 obtido usando a equao (4.1). R2
al ulado para vizualizar a evoluo da performan e dentro do horizonte de predio.
EaTjs Eajs
Rs2 (j) =1 j [1, nf ], s [1, n0 ] (4.1)
(Yajs E{Yajs })T (Yajs E{Yajs })
Onde Eajs a oluna s da matriz Eaj da equao (3.2); Yajs a oluna s de Yaj da equao
(3.3); e E{.} o operador da mdia.
4.2.3 Coe ientes de Theil

Em (THEIL, 1959) foram apresentados os indi adores que baseiam-se no erro de predio,
ou seja, na diferena entre os pares de valores observados e estimados. Nestes ndi es, a
soma do quadrado do erro de predio de omposta em vrios omponentes possibilitando
avaliar separadamente diferentes aspe tos estatsti os da predio.
ndi e padro
U , tambm hamado oe iente de desigualdade de Theil, forne e uma medida normali-
zada do erro relativo que reduz o efeito de grandes erros, e sua equao apresentada a
seguir: q P
1 N
N
y(k))2
k=1 (
y (k)
U=q P q P (4.2)
1 N 2 (k) + 1 N
N k=1 y
N k=1 y2 (k)
onde, y o valor predito (estimado); y o valor observado (medido); N o nmero de

observaes (medies). O oe iente padro est no intervalo U [0, 1]. Quanto mais
prximo de zero, mais pre iso o modelo.
ndi e de polarizao
UB , tambm hamado grau de pre iso ou exatido, que dado por:
(y y)2
UB = 1
PN (4.3)
N k=1 (
y (k) y(k))2
onde, y a mdia dos valores estimados; y a mdia dos valores observados. O ndi e de
polarizao est no intervalo UB [0, 1]. Quanto mais prximo de zero, menos polarizada
ser a estimativa.
ndi e de varin ia
UV , tambm hamado grau de onsistn ia, dado por:
(y y )2
UV = 1
PN (4.4)
N
y (k) y(k))2
k=1 (
onde, y o desvio padro dos valores estimados; y o desvio padro dos valores medidos.
O ndi e de varin ia tambm est no intervalo UV [0, 1]. Quanto mais prximo de zero
for UV , menor ser variao entre os valores das estimativas e das medies.
O ndi e de ovarin ia UC , tambm hamado grau de asso iao, dado por:
2(1 )yy
UC = 1
PN (4.5)
N
y (k) y(k))2
k=1 (
onde, o oe iente de orrelao dado por:
N
1 X
= y (k) y)(y(k) y)
(
yy N k=1
O ndi e de ovarin ia tambm est no intervalo UV [0, 1]. Porm, Quanto mais
prximo de um for UV , mais prximos sero os valores das estimativas e das medies
(mais orrela ionados), e assim melhor ser a estimativa.
4.3 Coluna de destilao

O modelo da oluna de destilao de metanol/gua, reportada em (WOOD; BERRY,
1973) um sistema MIMO tpi o om fortes interaes entre as variveis ontroladas. As
entradas do sistema so as taxas dos uxos de vapor de reuxo (u1 ) e do refervedor (u2 ). As
sadas do pro esso so as omposies dos produtos no topo (y1 ) e na base (y2 ). As taxas
do uxo de alimentao (1 ) e da omposio da alimentao (2 ) so onsiderados omo
perturbaes no sistema. O diagrama esquemti o da oluna de destilao apresentado
na gura 4.1:
Figura 4.1: Diagrama esquemti o da oluna de destilao
Os atrasos presentes no pro esso foram inseridos a partir da aproximao Pade de

segunda ordem. O pro esso dis retizado om Ts = 1 minuto pode ser expresso omo:

y (k) 0,06z 1 +0,63z 2 +0,072z 3 0,033z 1 +0,087z 2 0,58z 3 u1 (k)
1 10,93z 1 0,013z 2 0,0023z 3 11,57z 1 +0,72z 2 0,13z 3
= 0,2z 1 0,63z 2 +0,52z 3 0,051z 1 +0,12z 2 0,85z 3

y2 (k) u2 (k)
12,18z +1,58z 0,39z
1 2 3 11,55z 1 +0,71z 2 0,13z 3

0,1z 0,3z +0,23z
1 2 3 0,0037z 1 0,011z 2 +0,0087z 3 1 (k)
(4.6)
12,29z 1 +1,74z 2 0,45z 3 12,28z 1 +1,72z 2 0,44z 3
+ 0,003z 1 0,095z 2 +0,25z 3 0,0052z 1 0,014z 2 +0,01z 3

1 11,65z
2 +0,84z
3 0,16z 1 12,34z
2 +1,83z
3 0,48z
2 (k)
Os sinais de ex itao para o pro esso es olhidos foram sinais randmi os Gaussianos
(RGS) e foram gerados utilizando a funo idinput do Matlabr om BAND = [0, 0.01]. A
amplitude do rudo bran o foi es olhida para que o SNR seja aproximadamente 10dB para
ambas as sadas. O onjunto de dados de identi ao gerados apresentado na gura 4.2,
estes sinais foram normalizados antes de sua utilizao nos algoritmos de identi ao.
Entradas (U)
4
u1
2 u
2
Amplitude
4
0 100 200 300 400 500
Sadas (Y)
4
y
1
2 y
2
Amplitude
4
0 100 200 300 400 500
Tempo (min)
Figura 4.2: Conjunto de dados de identi ao da oluna de destilao
Foram utilizados trs modelos MIMO ARX, de ordens na = nb = 2, 3, 4 para aproximar

o pro esso. O horizonte de predio foi denido omo nf = 30. Aps a obteno dos
parmetros por ada mtodo de identi ao, apli ada uma nova entrada aleatria
RGS de validao a m de avaliar o desempenho do preditor.
Nas guras (4.3),(4.4) e (4.5) so apresentadas as urvas dos indi adores de validao
2
R302 , que onsiste no valor de R2 obtido apli ando a equao (4.1) para ada sada e
varrendo j por todo o intervalo de predio j [0, 30]. Os valores do ndi e JLRP IEV
para ada mtodo de identi ao tambm foram al ulados e inseridos nas legendas das
guras.
Veri a-se nas urvas de R302
2
das guras (4.3),(4.4) e (4.5) que o algoritmo EN-PH
Figura 4.3: Curvas de R2 para modelo ordem 2 - Coluna de destilao
apresentou o melhor desempenho entre os mtodos de identi ao analisados, para as

ordens dos modelos sugeridas. O melhor ajuste do modelo foi obtido para na = nb = 3,
onde JLRP IEV = 1876. Nota-se que, no geral, o mtodo LS superado por todos os
Tabela 4.1: ndi es de Theil de validao - Coluna de destilao
Sada 1
na /nb ndi e LS EN LM EN-PH PLS-PH
U 0,13225 0,11999 0,11623 0,11368 0,12219
Ub 0,00588 0,01264 0,01322 0,02108 0,01609
2
Uv 0,04434 0,04314 0,02067 0,01573 0,02116
Uc 0,94978 0,94422 0,96611 0,96319 0,96275
U 0,17892 0,12228 0,12629 0,11890 0,12402
Ub 0,04234 0,02005 0,01782 0,02247 0,02131
3
Uv 0,03481 0,02380 0,02069 0,02165 0,02703
Uc 0,92285 0,95616 0,96149 0,95588 0,95166
U 0,12359 0,11597 0,13636 0,10889 0,11223
Ub 0,04951 0,01330 0,05069 0,02358 0,01801
4
Uv 0,02725 0,06147 0,03473 0,02271 0,02288
Uc 0,92324 0,92523 0,91458 0,95371 0,95911
Sada 2
na /nb ndi es LS EN LM EN-PH PLS-PH
U 0,21538 0,18165 0,18019 0,17956 0,18788
Ub 0,00730 0,01258 0,01520 0,02120 0,01775
2
Uv 0,12542 0,15273 0,05301 0,05296 0,09093
Uc 0,86728 0,83469 0,93179 0,92584 0,89132
U 0,24926 0,18485 0,20680 0,17750 0,18027
Ub 0,04732 0,01671 0,02271 0,01825 0,01953
3
Uv 0,04387 0,03373 0,03965 0,03044 0,03242
Uc 0,90881 0,94956 0,93764 0,95131 0,94805
U 0,18113 0,18214 0,19286 0,15928 0,16290
Ub 0,05593 0,01594 0,05833 0,03142 0,02738
4
Uv 0,03508 0,08976 0,03601 0,02615 0,04137
Uc 0,90900 0,89430 0,90567 0,94243 0,93125
mtodos MRI omo j era esperado, uma vez que os ltimos so t ni as mais sosti adas
e foram riadas almejando a previsibilidade do modelo mltiplos passos frente.
Uma omparao mais detalhada sobre algumas propriedades dos modelos de regresso
obtidos neste exemplo realizada om base nos oe ientes de Theil apresentados na
tabela 4.1, onde os melhores resultados para ada ndi e e em todas as ordens foram
desta ados em negrito.
Veri a-se na tabela 4.1 que o mtodo EN-PH forne eu os melhores ndi es de Theil
padres U para todas as ordens de modelo analisadas, o que era de se esperar uma vez
que este ndi e pode ser visto omo uma normalizao do JLRP IEV . O efeito da utilizao
da regularizao pode ser veri ado ao omparar os ndi es Ub e Uv . No geral, o mtodo
EN-PH forne eu estimativas om polarizao ligeiramente maior que o PLS-PH, porm
a varin ia dessas estimativas foi reduzida. Esta tro a entre polarizao e varin ia
a propriedade prin ipal da regularizao e, omo pde ser omprovado neste exemplo,
justi ada por forne er um erro mdio quadrti o geral menor. Por m, o mtodo EN-
PH forne eu, no geral, estimativas om maior asso iao entre as sadas estimadas e as
medidas, o que pode ser observado a partir dos valores do ndi e Uc .
4.4 Regime de uxo de golfadas em prospe o oshore

de petrleo
Neste segundo exemplo os mtodos de identi ao foram apli ados ao modelo no linear
do sistema riser em regime de golfadas des rito em (JAHANSHAHI, 2013) a m de obter
um modelo linear que des reve este pro esso. A seo ini ia-se om uma dis usso a er a
das ara tersti as fsi as do es oamento multifsi o na prospe o de petrleo oshore.
Em seguida o modelo no linear des rito em detalhes. Por m so apresentados os
resultados da identi ao do pro esso a partir dos mtodos sugeridos.
4.4.1 Prospe o de petrleo oshore

Na prospe o de petrleo oshore, ver gura 4.6, as plataformas petrolferas so o-
ne tadas aos poos submarinos atravs de tubulaes. Denomina-se risers a tubulao
verti al e oleodutos as horizontais. Nestes sistemas, as tubulaes representam ustos
signi ativos. Alm disso, muitos ritrios omo por exemplo profundidade, temperatura
e geometria devem ser onsiderados durante o projeto (STORKAAS; SKOGESTAD,
2003). No apndi e B apresentado o fenmeno da golfada em detalhes.
Figura 4.6: Representao de um sistema de oleodutos e riser

4.4.2 Identi ao a partir do simulador

A ongurao do sistema riser usada neste exemplo foi baseada na estrutura utilizada
em (JAHANSHAHI, 2013). Nesta ongurao, o dimetro do oleoduto 0,12m e seu
omprimento 4300m. A partir da entrada do pro esso, os primeiros 2000m do oleoduto
onsistem de uma tubulao horizontal, e nos 2300m restantes h uma in linao des en-
dente om um ngulo de 1 . Esta in linao faz om que a tubulao tenha uma des ida
de 40,14m de altura em relao ao ponto de entrada, riando assim um ponto baixo, ou
ponto de a umulao, no nal do oleoduto. A partir deste ponto baixo ini ia a tubula-
o do riser, que onsiste numa tubulao verti al om 300m de omprimento e 0,1m de
dimetro. Do topo do riser segue uma tubulao horizontal om 100m de omprimento e
om o mesmo dimetro que a tubulao do riser, esta tubulao liga o riser vlvula de
sada.
A alimentao do sistema (uxo multifsi o extrado dos poos de petrleo) possui
um uxo nominalmente onstante de 9kg/s. O uxo da mistura ontm uma ontribuio
da fase lquida om l,in = 8, 64kg/s e da fase gasosa om g,in = 0, 36kg/s. A presso
do separador (Ps ) aps a vlvula de sada, onsiderada nominalmente onstante om
valor de 50,1bar. Com estas onsideraes, a abertura da vlvula de sada representa o
ni o grau de liberdade de ontrole do sistema (varivel manipulada). Para o presente
aso de estudo, o valor rti o da abertura relativa da vlvula de sada Z1 = 5%, este
o valor onde o orre a transio entre o regime de uxo estvel no-os ilatrio e o regime
de golfadas.
A resposta dinmi a do modelo no linear, des rita na seo B.2, foi utilizada para
obter os dados de identi ao. Ini ialmente foi testado apli ar um sinal de ex itao
RGS para a abertura da vlvula Z , om diversas ombinaes de bandas e amplitudes,
porm os ndi es de usto de identi ao obtidos para esta ex itao foram muito altos
e insatisfatrios. Veri ou-se em seguida, que melhores resultados poderiam ser obtidos
neste pro esso utilizando o sinal binrio pseudo-randmi o (PRBS), om band = [0 0, 03]
e levels = [0, 06 0, 065] (Ir variar a abertura da vlvula binariamente entre 6% e 6,5%
de forma aleatria). O sinal foi gerado utilizando a funo idinput do Matlabr e
apresentado na gura 4.7. Assim, a matriz de dados de entrada u onstruda ontm um
vetor oluna para ada entrada. Os dois primeiros vetores olunas tm valor onstante
om os valores dos uxos g,in e l,in e o ter eiro vetor oluna o sinal PRBS apli ado
vlvula.
As sadas do sistema so: P1 , a presso na base do riser; P2 , a presso no topo do
riser; out , uxo da mistura na sada do sistema. Em (JAHANSHAHI, 2013), o modelo
simulado para uma abertura onstante da vlvula Z. A m de obter a resposta do sistema
a um vetor de dados de identi ao da entrada Z, o algoritmo foi ligeiramente modi ado
adi ionando o vetor de entrada e o da es ala temporal da entrada. Esta t ni a usada

para interpolar o valor do vetor Z para ada instante de tempo da integrao do modelo.
A sada do sistema para os sinais de entrada l,in = 8, 64kg/s, g,in = 0, 36kg/s e o sinal
Z apresentado na gura 4.7 apresentada na gura 4.8.
Figura 4.7: Variao da abertura da vlvula de sada Z
Figura 4.8: Sadas da simulao do modelo da golfada para os dados de identi ao
Foi inserido um rudo bran o em ada sada, a relao sinal rudo usada foi de apro-
ximadamente 30dB. Os sinais foram normalizados antes de sua utilizao nos algoritmos
de identi ao. Foram utilizados trs modelos MIMO ARX, de ordens na = nb = 2, 3, 4
para aproximar o pro esso. O horizonte de predio foi denido omo nf = 20. Aps a
obteno dos parmetros por ada mtodo de identi ao, apli ada uma nova entrada
Z aleatria PRBS de validao a m de avaliar o desempenho do preditor.
O mtodo de identi ao LM utilizado no exemplo anterior no obteve su esso para
identi ar o pro esso da golfada. Na exe uo do algoritmo o orreu um erro de memria
e foram gerados ndi es JLRP IEV da ordem de 1036 . Sendo assim, este mtodo foi ex ludo
da anlise omparativa. A m de no reduzir a diversidade de t ni as omparadas, o
mtodo de identi ao PLS apresentado anteriormente, foi utilizado omo substituto do
mtodo LM.
Nas guras 4.9, 4.10 e 4.11 so apresentadas as urvas dos indi adores de validao
2
guras.
2
das guras 4.9 a 4.11, que o algoritmo EN-PH, no
geral, apresentou o melhor desempenho entre os mtodos de identi ao analisados. O
melhor ajuste do modelo foi obtido quando na = nb = 4, onde JLRP IEV = 2897. Nota-se
que os ndi es R203
2
no de res em onforme j aumenta neste exemplo, o motivo para
este fenmeno est na ara tersti a os ilatria das sadas observadas.
Uma omparao mais detalhada sobre algumas propriedades dos modelos de regresso
obtidos neste exemplo realizada om base nos oe ientes de Theil apresentados na
tabela 4.2.
Figura 4.9: Curvas de R2 para modelo ordem 2 - Golfada

A partir da tabela 4.2 veri a-se que em todos os asos mtodo o EN-PH forne eu
um modelo om menor ndi e padro e de varin ia de Theil. Em alguns asos o mtodo
EN-PH tambm apresentou menor ndi e de polarizao, porm na maioria dos asos ele
obteve uma polarizao ligeiramente maior que os demais mtodos. No geral, o ndi e de
orrelao do mtodo proposto indi ou que ele forne eu uma maior orrelao entre as
sadas estimadas e medidas neste exemplo.
Tabela 4.2: ndi es de Theil de validao - Golfada
Sada 1
na /nb ndi e LS EN PLS EN-PH PLS-PH
U 0,20728 0,21240 0,21192 0,16669 0,17629
Ub 0,03025 0,04403 0,00745 0,05861 0,02698
2
Uv 0,18320 0,31825 0,20248 0,01782 0,02366
Uc 0,78657 0,63776 0,79009 0,92357 0,94936
U 0,17078 0,19476 0,22587 0,16135 0,16142
Ub 0,04847 0,05217 0,06279 0,06713 0,08004
3
Uv 0,10772 0,21019 0,01766 0,01624 0,00970
Uc 0,84382 0,73767 0,91955 0,91662 0,91625
U 0,25637 0,17281 0,16381 0,15325 0,15362
Ub 0,00004 0,06596 0,04857 0,07488 0,04556
4
Uv 0,00212 0,15856 0,09431 0,01299 0,01739
Uc 0,99784 0,77550 0,85713 0,91213 0,93705
Sada 2
na /nb ndi es LS EN PLS EN-PH PLS-PH
U 0,24040 0,24717 0,24607 0,20321 0,20992
Ub 0,00032 0,00229 0,00037 0,00407 0,00302
2
Uv 0,15454 0,30420 0,16904 0,03061 0,03803
Uc 0,84515 0,69355 0,83061 0,96532 0,95896
U 0,20648 0,22764 0,32615 0,19385 0,20159
Ub 0,00082 0,00292 0,06070 0,00450 0,01281
3
Uv 0,11850 0,18531 0,45312 0,01662 0,03242
Uc 0,88069 0,81179 0,48623 0,97888 0,97371
U 0,25968 0,20770 0,19924 0,18934 0,19030
Ub 0,01975 0,00360 0,00068 0,00460 0,00051
4
Uv 0,01701 0,15114 0,10180 0,02190 0,03140
Uc 0,96324 0,84528 0,89754 0,97350 0,96810
Sada 3
na /nb ndi es LS EN PLS EN-PH PLS-PH
U 0,20422 0,20483 0,21028 0,16204 0,17392
Ub 0,00105 0,00004 0,00214 0,00028 0,00013
2
Uv 0,16830 0,28463 0,18397 0,00863 0,02031
Uc 0,83067 0,71537 0,81391 0,99109 0,97956
U 0,16949 0,19134 0,33400 0,15552 0,16535
Ub 0,00089 0,00009 0,00411 0,00024 0,00440
3
Uv 0,12454 0,22251 0,00713 0,00559 0,04010
Uc 0,87458 0,77743 0,96476 0,99417 0,95551
U 0,25264 0,16938 0,16215 0,14916 0,15356
Ub 0,18003 0,00011 0,00102 0,00022 0,00127
4
Uv 0,00751 0,17039 0,10015 0,00701 0,01559
Uc 0,81246 0,82952 0,89885 0,99277 0,98315
4.5 Sistema de temperatura baseado em mdulos Pel-

tier
Neste ter eiro exemplo, os mtodos de identi ao foram omparados em uma apli a-
o prti a. O sistema de es ala laboratorial utilizando mdulos Peltier para ontrole de
temperatura onsiste em dois elementos peltier que podem ser a ionados separadamente,
formando um pro esso a oplado de duas entradas e duas sadas (TITO). Como a monta-
gem a oplada termi amente, possvel analisar as malhas diretas e ruzadas. Tambm
pode ser feito um estudo de perturbaes de arga. Na gura 4.12 apresentada uma
foto da montagem do sistema.
Figura 4.12: Foto da montagem do sistema.
4.5.1 Mdulo peltier

Os mdulos ou pastilhas peltier, ou ainda pastilhas termoeltri as, fun ionam pelo prin-
pio do efeito peltier. Normalmente estes mdulos so onstitudos de um material semi-
ondutor, o telureto de bismuto, sendo fortemente dopado para a riao de material tipo
n e material tipo p. Ao ligar a fonte de tenso lula peltier (gura 4.13), se estabele e
um uxo de argas do material semi ondutor P para o semi ondutor N. Este uxo ria
uma diferena de temperatura entre as superf ies da juno. Assim, uma superf ie ir
aque er, enquanto a outra resfria-se.
Normalmente estas lulas so ombinadas eletri amente em srie, e termi amente
em paralelo. Estes vrios agrupamentos em srie, so interligados de forma a ompor o
mdulo peltier, ver Figura 4.14.
Na presente montagem da planta trmi a, foram utilizados dois mdulos peltier modelo
CP1.0-127-06 do fabri ante Mel or. A temperatura da superf ie quente varia de 25o C a
50o C, a potn ia onsumida de 25,7W a 29,1W e uma orrente mxima de 3A.
Figura 4.13: Diagrama da lula peltier
Figura 4.14: Diagrama estrutural do mdulo peltier
Cada mdulo possui uma fa e a oplada ao dissipador de alor de um ooler, om o

objetivo de melhorar a tro a de alor om o ambiente. A outra fa e de ada mdulo est
a oplada termi amente a uma pea ilndri a de alumnio slido, omposta por trs dis os
de dimetros diferentes, onforme a Figura 4.15. Nesta pea de alumnio, esto xados
os sensores de temperatura LM35.
Figura 4.15: Montagem dos mdulos peltier

4.5.2 Cir uito eletrni o

O kit de desenvolvimento USBizi, fabri ado pela GHI Ele troni s, responsvel por re-
alizar a omuni ao om o PC, a ionar os drivers de potn ia e realizar a leitura dos
sensores de temperatura. Este kit possui um mi ro ontrolador ARM7 de 32 bits rodando
a 72 MHz, assim omo vrios perifri os do tipo, PWM; USB; GPIO; USART; entradas
analgi as; entre outros. Seu rmware desenvolvido sobre a plataforma .NET Mi ro Fra-
mework da Mi rosoft, utilizando o Visual Studio 2010. Para o a ionamento dos mdulos
peltier, foram utilizados quatro transistores MOSFET anal N, para ada mdulo. Estes
transistores foram interligados formando um ir uito de uma ponte H, possibilitando a
inverso no sentido da orrente nos mdulos. A inverso da orrente o asiona uma inver-
so no sentido de uxo de alor, assim, a superf ie que estava quente passar a esfriar, e
vi e-versa. O USBizi interligado ao driver de potn ia por meio das sadas digitais e do
PWM. As sadas digitais so utilizadas para sele ionar o sentido da orrente nos mdulos,
j o PWM, responsvel por realizar o a ionamento das haves eletrni as, possibilitando
o ontrole da potn ia transferida para os mdulos. O monitoramento da temperatura da
arga de alumnio realizado por dois sensores LM35. Este sensor possui uma sada de
tenso analgi a, ujo valor diretamente propor ional ao aumento da temperatura ao
qual est submetido, mais pre isamente 10mV/C. A sada de ada sensor one tada a
um ir uito ampli ador de tenso, que tem omo objetivo, melhorar o ondi ionamento
do sinal para que ele seja apli ado a entrada analgi a do USBizi. Na sada do ir uito
ampli ador, tem-se um sinal analgi o de aproximadamente 30mV/C. Na gura 4.16
apresentado o diagrama de ligao do sistema.
Figura 4.16: Diagrama de ligao do sistema.

4.5.3 Interfa e de omuni ao

Na planta trmi a havia sido riada uma verso simples do onhe ido proto olo Modbus
entre o PC de superviso e o mi ro ontrolador embar ado na planta didti a. As informa-
es es ritas e lidas nosoftware de superviso so posteriormente salvas em um arquivo
de texto ou disponibilizadas via servidor OPC. O software de superviso foi implemen-
tado em C# e ele responsvel pela interfa e entre a planta desenvolvida e o usurio do
sistema. Como expli ado previamente, a omuni ao entre o supervisrio e a planta
realizada via Modbus e entre o supervisrio e qualquer outra apli ao, via OPC. A tela
prin ipal do software de superviso apresentada na gura 4.17
Figura 4.17: Tela do Software supervisrio.
Ini ialmente realizada a ongurao da porta serial, atravs do boto "Conexo

Serial", em seguida es olhido se a manipulao de dados ser dada lo almente ou via
OPC. A leitura das temperaturas pode ser feita de modo assn rono ou de forma tem-
porizada, atravs do painel "Leitura das temperaturas". Os valores dos duty i les dos
sinais PWM a serem apli ados nos peltiers so inseridos no painel "Es ritas dos PWMs",
note que o modo unidire ional apli a somente tenses positivas nos mdulos, enquanto o
modo bidire ional permite tenses negativas.
4.5.4 Identi ao
Os sinais de ex itao es olhidos para o pro esso foram sinais PRBS e foram gerados
utilizando a funo idinput do Matlabr om perodo de amostragem de 0,5s BAND =
[0 0, 05] e levels = [50 100] (Varia o duty i le do PWM de 50% a 100%). O onjunto de
dados de identi ao gerados apresentado na gura 4.18.
Figura 4.18: Dados de identi ao da planta trmi a
Estes sinais foram normalizados antes de sua utilizao nos algoritmos de identi ao.
Tambm foram utilizados trs modelos MIMO ARX, de ordens na = nb = 2, 3, 4 para
aproximar o pro esso. O horizonte de predio foi denido omo nf = 30. Aps a
obteno dos parmetros por ada mtodo de identi ao, apli ada uma nova entrada
aleatria PRBS de validao a m de avaliar o desempenho do preditor.
Como no exemplo anterior, o mtodo de identi ao LM no obteve su esso para
identi ar o pro esso do sistema de temperatura, gerando ndi es JLRP IEV da ordem de
1031 , por isso ele foi ex ludo da anlise omparativa. O mtodo de identi ao PLS
apresentado anteriormente, foi utilizado para substituir o mtodo LM.
Nas guras 4.19, 4.20 e 4.21 so apresentadas as urvas dos indi adores de validao
2
guras.
2
das guras 4.19, 4.20 e 4.21 que o algoritmo EN-PH
apresentou o melhor desempenho entre os mtodos de identi ao analisados, para todas
as ordens dos modelos sugeridas. O melhor ajuste do modelo foi obtido para na = nb = 4,
Figura 4.19: Curvas de R2 para modelo ordem 2 - Planta trmi a
onde JLRP IEV = 884. Nota-se que em todos os mtodos de identi ao, o valor de R2
manteve-se prximo de 1 para todos os valores de j , a razo disto porque este sensor
est one tado ao dis o ilndri o de raio maior, tornando esta sada menos sus eptvel
ao rudo e a orrelao.
Tabela 4.3: ndi es de Theil de validao - Planta trmi a
Sada 1
na /nb ndi e LS EN LM EN-PH PLS-PH
U 0,05890 0,09883 0,05985 0,05847 0,05985
Ub 0,00645 0,00239 0,00626 0,00651 0,00626
2
Uv 0,02096 0,43448 0,02330 0,01019 0,02330
Uc 0,97259 0,56313 0,97044 0,98329 0,97044
U 0.05747 0.07142 0.05711 0.05754 0.05711
Ub 0.00722 0.00485 0.00729 0.00727 0.00729
3
Uv 0.03702 0.27615 0.03646 0.00656 0.03646
Uc 0.95576 0.71900 0.95626 0.98617 0.95626
U 0.05583 0.06269 0.05588 0.05163 0.05279
Ub 0.00805 0.00673 0.00804 0.00946 0.00960
4
Uv 0.04902 0.23691 0.04879 0.06526 0.09233
Uc 0.94292 0.75636 0.94317 0.92528 0.89808
Sada 2
na /nb ndi es LS EN LM EN-PH PLS-PH
U 0,03230 0,08616 0,03292 0,02932 0,03292
Ub 0,00881 0,00116 0,00851 0,01097 0,00851
2
Uv 0,07281 0,70600 0,07367 0,13693 0,07367
Uc 0,91838 0,29286 0,91782 0,85211 0,91782
U 0.03128 0.05525 0.03117 0.02978 0.03117
Ub 0.01000 0.00311 0.01005 0.01139 0.01005
3
Uv 0.17533 0.63925 0.17537 0.19622 0.17537
Uc 0.81467 0.35765 0.81458 0.79239 0.81458
U 0.03142 0.04613 0.03145 0.03058 0.03404
Ub 0.01040 0.00476 0.01039 0.01114 0.00949
4
Uv 0.23704 0.59193 0.23808 0.21965 0.28279
Uc 0.75256 0.40332 0.75154 0.76921 0.70772
Na tabela 4.3 veri ou-se que o mtodo EN-PH forne eu um modelo om menor ndi e
padro de Theil, novamente reetindo a asso iao om deste ndi e om o JLRP IEV . O
mtodo EN-PH tambm al anou os melhores ndi es de varin ia e ovarin ia para a
sada 1, porm para a sada 2 o mtodo dos mnimos quadrados o superou ligeiramente
nestes quesitos. interessante veri ar que, no geral, os maiores ndi es de ovarin ia
so obtidos nos mtodos que apresentam a menor varin ia.
4.6 Con luso

Neste aptulo o desempenho do mtodo proposto EN-PH foi analisado e omparado om
outros mtodos de identi ao j difundidos. Os mtodos foram apli ados em trs exem-
plos, dois utilizando pro essos simulados um ter eiro exemplo prti o. Os mtodos foram
omparados a partir de trs ndi es de desempenho e veri ou-se nos asos analisados que
o mtodo proposto EN-PH apresentou resultados superiores. No geral, o mtodo EN-PH
forne eu modelos om menor varin ia da sada estimada e maior ovarin ia entre a sada
estimada e a sada medida. Com isso, on lui-se que o EN-PH uma alternativa bastante
atrativa para identi ao MRI de pro essos.
Nos exemplos veri ou-se que o algoritmo EN-PH levou um tempo onsideravelmente
maior para obter os parmetros que os outros mtodos, isto foi atribudo metodologia
utilizada para en ontrar o melhor valor para do mtodo EN-PH. Porm na prti a,
este tempo no representa grandes problemas uma vez que a identi ao do sistema
realizada oine.
Captulo 5
Con luses e Sugestes de Trabalhos

Futuros
5.1 Con luses

Neste trabalho foram dis utidos temas a er a de identi ao de sistemas. Em espe ial,
foi enfatizada a importn ia da identi ao relevante ao ontrole para a obteno de
modelos dos pro essos mais apropriados para a tarefa de projetar o ontrolador.
Dada a relevn ia que o ontrole preditivo tem obtido na indstria omo uma das
t ni as de ontrole avanado mais utilizada atualmente, segundo pesquisa realizada em
(QIN; BADGWELL, 2003), foi objetivo deste trabalho investigar as t ni as MRI.
A primeira t ni a MRI apresentada foi a de minimizar a funo de usto de mltiplos
passos frente utilizando o algoritmo de otimizao numri a Levemberg-Marquardt.
Porm esta abordagem no obteve su esso em dois exemplos em que foi apli ada, onde o
algoritmo no onvergiu resultando em erro no programa.
A segunda t ni a MRI vista foi o mtodo PLS-PH riado em (PLA, 2012). O
algoritmo PLS-PH mostrou possuir grande poten ial em obter melhores modelos para
apli aes de ontrole preditivo e onforme apresentado em (QUACHIO, 2012) tambm
foi apaz de realizar identi ao em malha fe hada e identi ar modelos no lineares.
O mtodo EN-PH desenvolvido nesta dissertao foi implementado apli ando a t ni a
de regresso regularizada Elasti Net para estender o algoritmo de bus a linear e assim,
obter os parmetros do modelo ARX do pro esso.
Os mtodos foram omparados em trs exemplos prti os. Em todos os exemplos estu-
dados o mtodo EN-PH forne eu os menores erros mdios quadrti os dentre os mtodos
utilizados. No geral, o desempenho do mtodo EN-PH foi similar ao do mtodo PLS-PH.
O mtodo EN-PH obteve uma e in ia ligeiramente maior que o PLS-PH nestes exem-
plos, e a ausa foi atribuda tro a varin ia-polarizao ter sido mais e iente a partir
68
Captulo 5. Con luses e Sugestes de Trabalhos Futuros 69
dos mtodos de regularizao do que pelo PLS, omo pde ser observado partir dos ndi-
es de Theil. Nestes ndi es observou-se que o EN-PH forne eu uma predio om menor
varin ia e ligeiramente maior polarizao, o que pelos motivos des ritos anteriormente,
resultou em um erro mdio quadrti o inferior ao PLS-PH e aos demais mtodos.
5.2 Sugestes de Trabalhos Futuros

Dentre as perspe tivas de trabalhos futuros podem ser itadas:
Aprimorar o algoritmo EN-PH implementando a t ni a da validao ruzada para

es olher um valor melhor de na regresso elasti net.
Extender o mtodo de identi ao EN-PH para o aso do sistema em malha fe-

hada;
Extender o mtodo de identi ao EN-PH para a identi ao de modelos no

lineares om estrutura NARX polinomial;
Propor diferentes tipos de ex itaes de forma a manter o pro esso de identi ao

o menos invasivo possvel;
Propor t ni as de sintonia de ontroladores MPC baseando-se nos modelos identi-

ados;
Avaliar os modelos obtidos tanto no sentido da identi ao omo no projeto do

ontrolador MPC;
Refern ias Bibliogr as
ASTROM, T. B. K. J. Numeri al identi ation of linear dynami systems for normal
operating re ords. Pro . 2nd IFAC Symp. Theory of Self-Adaptive Systems, Teddington,
p. 96/111, 1965.
BAI, Y.; BAI, Q. Subsea Pipelines and Riser. Oxford: [s.n., 2005.
BELLEMANS, T.; SCHUTTER, B. D.; MOOR, B. D. Model predi tive ontrol for ramp
metering of motorway tra - a ase study. Control Engineering Pra ti e, 14, p. 757
767, 2006.
BOHLIN, T.; ASTROM, K. J. Numeri al identi ation of linear dynami systems for
normal operating re ords. 2nd IFAC Symp. Theory of Self-Adaptive Systems, Teddington,
p. 96111, 1965.
BURT, O. R.; FRANK, M.; BEATTIE, B. R. Prior information and heuristi

ridge regression for produ tion fun tion estimation. Western Journal of Agri ultural
E onomi s, v. 12, p. 135143, 1987.
CAMPOS, M. C.; LOUREIRO, P.; B., F. lvaro. Novas estratgias de ontrole para a
plataforma de petrleo p-55. Rio Oil & Gas Expo and Conferen e, Rio de Janeiro - RJ:
IBP - Instituo Brasileiro de Petrleo e Gs, 2006.
CLARKE, D. W.; MOHTADI, C.; S, P. S. T. GENERALIZED PREDICTIVE

CONTROL-PART 1. Automati a, 1987.
CUTLER, C.; RAMAKER, B. Dynami matrix ontrol - a omputer ontrol algorithm.

Pro eedings of the joint Ameri an ontrol onferen e, San Fran is o, p. Paper WP5B,
1980.
EFRON, B. et al. Least angle regression. The Annals of Statisti s, v. 32, p. 407451,
2004.
GEVERS, M. A de ade of progress in iterative pro ess ontrol design: from theory to
pra ti e. Journal of Pro ess Control, v. 12, p. 519531, 2002.
GODHAVN, J.-M.; FARD, M. P.; FUCHS, P. H. New slug ontrol strategies, tuning
rules and experimental results. Journal of Pro ess Control, v. 15, p. 547 557, 2005.
GOLDSTEIN, A. Constru tive Real Analysis. Londres: [s.n., 1967.

GOPALUNI, R. B.; PATWARDHAN, R. S.; SHAH, S. L. Mp relevant identi ation -
tuning the noise model. Journal of Pro ess Control, 14, p. 699 714, 2004.
70
REFERNCIAS BIBLIOGRFICAS 71
HOERL, A.; KENNARD, R. Ridge regression: Biased estimation for nonorthogonal

problems. Te nometri s, v. 12, p. 5567, 1970.
HROVAT, D. et al. The development of model predi tive ontrol in automotive industry:
A survey. IEEE international onferen e on ontrol appli ations, p. 295 302, 2012.
HSKULDSSON. Pls regression methods. Journal of Chemometri s, v. 2, p. 211228,

1988.
ISERMANN, R.; MNCHHOF, M. Identi ation of Dynami Systems: An Introdu tion

with Appli ations. [S.l.: Springer, 2011.
JAHANSHAHI, E. Control Solutions for Multiphase Flow, Linear and nonlinear
approa hes to anti-slug ontrol. Tese (Doutorado) Norwegian University of S ien e
and Te hnology, Trondheim, Outubro 2013.
KALMAN, B. L. H. R. E. Ee tive onstru tion of linear state-variable models from

input/output fun tions. Regelungste hnik vol. 14, n. no. 12, p. 545/548, 1966.
KIERS, H. A. L.; A.K., S. A omparison of various methods for multivariate regression

with highly ollinear variables. Statisti al Methods and Appli ations, v. 16, p. 193228,
2007.
KOURO, S. et al. Model predi tive ontrol - a simple and powerful method to ontrol
power onverters. IEEE Transa tions on Industrial Ele troni s, 56, p. 1826 1838, 2009.
KUHN, M.; JOHNSON, K. Applied Predi tive Modeling. New York, USA: [s.n., 2013.
LJUNG, L. System Identi ation: Theory for the user. 2nd ed.. ed. [S.l.: Prenti e Hall,
1999.
MACIEJOWSKI, J. M. Predi tive Control with Constraints. Englewood Clis: Prenti e

Hall, 2002. 330 p. ISBN 0201398230.
MARTENS, H. Reliable and relevant modelling of real world data: a personal a ount
of the development of pls regression. Chemometri s and Intelligent Laboratory Systems,
v. 58, p. 8595, 2001.
MEGLIO, F. D.; KAASA, G.; PETIT, N. A rst prin iple model for multiphase slugging
ow in verti al risers. 48th IEEE Conferen e on De ision and Control and 28th Chinese
Control Conferen e, p. 8244 8251, 2009.
MELAND, A. K. Stabilization of two-phase ow in risers from reservoirs, Comparison of
alternative simple models. Dissertao (Spe ialization Thesis) Norwegian University
of S ien e and Te hnology, Dezembro 2010.
MOOR, P. V. O. B. Subspa e Identi ation for Linear Systems. [S.l.: Kluwer A ademi
Publishers, 1996.
MORARI, M.; LEE., J. H. Model predi tive ontrol: past, present and future. Computers
and Chemi al Engineering, vol. 23, p. 667 682, 1999.
MORE, J. J. The levenberg-marquardt algorithm: implementation and theory. Numeri al

Analysis, ed. G. A. Watson, Le ture Notes in Mathemati s 630, Springer Verlag, p.
105116, 1977.
OSBORNE, M.; PRESNELL, B.; TURLACH, B. On the lasso and its dual. Journal of
Computa ional and Graphi al Statisti s, v. 9(2), p. 319337, 2000.
PALADINO, E. Estudo do Es oamento Multifsi o em Medidores de Vazo do Tipo
Presso Diferen ial. Tese (Doutorado) Universidade Federal de Santa Catarina,
Florianpolis - SC, Abril 2005.
PAYNE, G. G. R. Dynami System Identi ation: Experiment Design and Data Analysis.
[S.l.: A ademi Press, 1977.
PLA, D. MPC: Relevant Identi ation, and Control in the Latent Variable Spa e. Tese
(Doutorado) Universidad Polit ni a de Valen ia, Valen ia, Janeiro 2012.
QIAN, J. et al. Glmnet for matlab. disponvel em:.

http://www.stanford.edu/hastie/glmnet_matlab/, A esso em: 23 fev. 2015,
2013.
QIN, S. J.; BADGWELL, T. A. A survey of industrial model predi tive ontrol

te hnology. Control Engineering Pra ti e, v. 11, n. 7, p. 733 764, 2003.
QUACHIO, R. Anlise do algoritmo PLS-PH para identi ao de sistemas. Dissertao

(Mestrado) Es ola Polit ni a da Universidade de So Paulo, So Paulo, Fevereiro
2012.
RICHALET, J. et al. Paper: Model predi tive heuristi ontrol. Automati a, v. 14, n. 5,
p. 413428, set. 1978. ISSN 0005-1098.
ROSSITER, J. A. Model-Based Predi tive Control: a Pra ti al Approa h. [S.l.: CRC

press, 2003. 344 p.
SHOOK, D.; MOHTADI, C.; SHAH, S. Identi ation for long-range predi tive error.
IEE pro eedings-D, v. 138, p. 7584, 1991.
SILVA, C. B. C.Medio de Vazo e Propriedades em Es oamento Multifsi o Soluo
E onmi a para Diferentes Atividades Industriais. Rio de Janeiro, 2000.
SIVERTSEN, H.; SKOGESTAD, S. Anti-slug ontrol experiments on a smalls ale
two-phase loop. Pro . European Symposium on Computer Aided Pro ess Engineering,
Bar elona, Spain: Elsevier S ien e, p. 1021 1026, 2005.
STOICA, T. S. P. System Identi ation. [S.l.: Prenti e Hall, New Jersey, 1989.
STORKAAS, E.; SKOGESTAD, S. A low-dimensional dynami model of severe slugging
for ontrol design and analysis. 11th International Conferen e on Multiphase ow, BHR
Group, p. 117 133, 2003.
STORKAAS, E.; SKOGESTAD, S. Controllability analysis of two-phase pipeline-riser

systems at riser slugging onditions. Control Engineering Pra ti e 15, p. 567581, 2007.
THEIL, H. E onomi fore asts and poli y. The Ameri an E onomi Review, v. 49, p.
711716, 1959.
TIBSHIRANI, R. Regression shrinkage and sele tion via the lasso. Journal of the Royal
Statisti al So iety Series B (Methodologi al), v. 58, p. 267288, 1996.
TROPSHA, A.; GRAMATICA, P.; GOMBAR, V. The importan e of being earnest:
Validation is the absolute essential for su essful appli ation and interpretation of qspr
models. QSAR and Combinatorial S ien e, v. 22, p. 6977, 2003.
WOOD, R.; BERRY, M. Terminal omposition ontrol of a binary distillation olumn.

Chemi al Engineering S ien e, v. 28, p. 17071717, 1973.
ZOU, H.; HASTIE, T. Regularization and variable sele tion via the elasti net. Journal
of the Royal Statisti al So iety Series B, v. 67, p. 301320, 2005.
Apndi e A
Modelo MIMO ARX
Considere o seguinte modelo MIMO ARX 1 :

Bni ,1

B1,1 1 (k)
y1 (k) A1
... A1 u1 (k) A1
.. .. .. .. .. ..

. =
. . .
. +
.
(A.1)
B1,no Bni ,no no (k)
yno (k) Ano
... Ano uni (k) Ano
onde
Be,s = b1e,s z 1 + ... + bnbe,s z nb

Ae,s = 1 + a1s z 1 + ... + anas z na
e [1, 2, ..., ni ] ; s [1, 2, ..., no]
Por simpli idade, assume-se que todos os numeradores e denominadores tm a mesma

ordem. Caso ontrrio, podem ser apli adas operaes polinomiais e em seguida xar
alguns valores em zero para transformar a estrutura original em na expresso dada para
um modelo MIMO ARX.
A sada s pode ser expressa omo:

u1 (k)
..
As ys = [B1,s ... Bni ,s ]
. + s (k)

uni (k)
1 Para fa ilitar a notao, os polinmios em z 1 sero representados apenas por seus nomes,
Ano (z 1
) Ano
74
Apndi e A. Modelo MIMO ARX 75

u1 (k)
..
ys = [B1,s ... Bni ,s ]
. + (1 As )ys (k) + s (k)

uni (k)

uTk1 ys (k 1)
n ] ... + [a1s ... anas ] ..

1s ... b
= [b . + s (k)
bs
T
uknb ys (k na )

T1
b s
..

.

T
bn
= [uk1 ... uknb , ys (k 1) ... ys (k na )]

bs s (k)

a1s
..

.

ana s
onde:
s = [b1,s ... bn ,s ],
b [1, 2, ..., nb ]
i
uk = [u1 (k) ... uni (k)]
A expresso geral para modelos lineares usada nesta tese pode ser derivada da equao
anterior omo:
yk = xk1 + k (A.2)
onde,
yk = [y1 (k) ... yno (k)]

xk1 = [uk1 ... uknb , yk1 ... ykna ]

BT

A
1
= .
..

An a

b1 ... b1
1 1
. . ..
. ..
B= . .
b1 ... bn
no bno
Apndi e A. Modelo MIMO ARX 76

a1 0 ... 0
.. .. ..

0 . . .

A = .. .. .. , [1, 2, ..., na ]

. . . 0

0 ... 0 ano
(k) = [1 (k) ... no (k)] (A.3)
Apndi e B
Regime de uxo multifsi o de golfadas
A seguir ser apresentado o regime de uxo multifsi o da golfada em tubulaes risers.
B.1 Es oamento multifsi o

Es oamentos multifsi os podem ser en ontrados em diversas reas te nolgi as, omo por
exemplo, nas indstrias qumi a, aliment ia, de onverso de energia, pro essamento
de materiais e de P&G (PALADINO, 2005). O es oamento multifsi o denido omo
o uxo simultneo de dois ou mais uidos om propriedades diferentes e imis veis. O
termo fase est rela ionado om o nmero de interfa es presentes no sistema.
Na tese de (PALADINO, 2005), um sistema multifsi o pode ser denido omo uma
regio do espao onde oexistem dois ou mais uidos imis veis separados por uma in-
terfa e, podendo esta ser onexa (es oamento estrati ado, anular, et .) ou des onexa
(es oamento de bolhas, gotas, et .) ou uma ombinao de ambos os asos, onde a mesma
fase pode apare er em forma ontnua ou dispersa (padro anular om gotas, et .).
Quando leo, gs e gua uem simultaneamente em uma tubulao, as trs fases
podem se distribuir em diferentes onguraes devido diferena de densidades. A
maneira om a qual as fases esto distribudas depende das ondies de operao, tais
quais velo idade das fases, ngulo de in linao da tubulao, et . Na gura B.1 so
apresentados alguns padres para uxos multifsi os horizontais e a seguir uma breve
des rio (SILVA, 2000).
Estrati ado (Stratied Flow): ara terizado pela separao gravita ional total
das fases lquida e gasosa om es oamento ontnuo de ada fase. A onte e em
velo idades muito baixas de lquido e gs.
Ondulado (Wavy Flow): om o aumento da velo idade da fase gasosa no es oa-

mento estrati ado, ondas so formadas na interfa e de separao lquido-gs, ge-
77
Apndi e B. Regime de uxo multifsi o de golfadas 78
rando o regime ondulado.
Anular (Annular Flow): o es oamento anular o orre om altas vazes de gs, onde
o lquido es oa na superf ie interna da tubulao, formando um lme om bolhas
dispersas, e o gs es oa no entro da tubulao.
Figura B.1: Padres de es oamento de uxo multifsi o em uma tubulao horizontal.
Pistonado (Plug Flow ): om o aumento da velo idade da fase gasosa no es o-

amento em bolhas, h o oales imento, formando bolhas alongadas em forma de
balas, que tendem a es oar no topo da tubulao.
Golfada (Slug Flow ): aumentando ainda mais a velo idade do gs no es oamento

ondulado, as ondas passam a o upar, em alguns asos, toda a seo transversal da
tubulao formando golfadas, que so rapidamente deslo adas dentro da tubulao.
Golfadas de gs e lquido se su edem na tubulao om a de lquido arrastando
pequenas bolhas dispersas.
Bolhas (Bubble Flow ): devido ao efeito gravita ional a fase gasosa em forma
de bolhas dis retas, tende a se dispersar no topo da tubulao om a fase lquida
ontnua.
Nvoa (Mist Flow ): ara terizado por velo idades super iais de gs e lquido
muito altas. Todo o lquido en ontra-se disperso no n leo do gs e as got ulas
formadas pelo lquido viajam mesma velo idade super ial do gs.
Os padres de es oamento verti al mais omuns so apresentados na gura B.2 e

des ritos na sequn ia (MELAND, 2010).
Bolhas (Bubble Flow ): a fase gasosa se en ontra dispersa na fase lquida em

forma de bolhas dis retas, sendo a fase lquida ontnua. Esse es oamento o orre
tipi amente para baixas velo idades super iais de gs.
Golfadas (Slug Flow ): aumentando a velo idade da fase gasosa, as bolhas oa-
les em e o dimetro desta nova bolha atinge dimenso similar om a da tubulao.
Quando isto o orre, formam-se bolhas grandes em formato de bala, tambm de-
nominadas bolhas de Taylor. Com isto, golfadas de gs e lquido se su edem na
tubulao om a golfada de lquido apresentando pequenas bolhas dispersas.
Agitado (Churn Flow ): om as velo idades de gs e lquido maiores do que no

aso anterior, a quebra das bolhas do es oamento em golfadas onduz a um padro
instvel e desordenado, onde existe um movimento os ilatrio de lquido para ima
e para baixo na tubulao.
Anular (Annular Flow ): o lquido es oa na periferia do duto formando um lme

om bolhas dispersas, e o gs es oa no entro da tubulao, arrastando got ulas de
lquido.
Figura B.2: Padres de es oamento de uxo multifsi o em uma tubulao verti al.
B.1.1 Regime de golfadas

A instabilidade ausada no sistema quando o uxo assume um regime de golfadas um
dos prin ipais problemas no ampo de garantia de es oamento, onforme dis utido na
seo anterior. Este tipo de uxo geralmente eviden ia-se no m do i lo de vida de
um poo, quando sua presso interna e temperatura se reduziram desde quando ini iou
sua explorao (SIVERTSEN; SKOGESTAD, 2005). Em tubulaes om uma in linao
des endente seguida de um riser existe maior probabilidade de o orrn ia de golfadas. Isto
possibilita uma a umulao de lquido na entrada do riser, o que ausa um bloqueio da
passagem de gs para o riser. Em seguida, o gs no oleoduto ser omprimido, aumentando
sua presso at que esta seja maior que a presso hidrostti a do riser. Quando isto
a onte e o gs se expande e lana o lquido que bloqueava o ponto baixo para fora da
tubulao. O pro esso da golfada tido omo li o, pois uma vez que o gs foi liberado,
a presso diminui e o lquido volta a se a umular na base.
O me anismo de formao de golfada no riser ilustrado na gura B.3 e des rito nos
seguintes passos: (STORKAAS; SKOGESTAD, 2003)
Figura B.3: Fases da golfada no riser.
1. Formao: quando as velo idades do gs e lquido so baixas o su iente, o lquido

a umula-se na base do riser devido ao da gravidade, dando in io golfada.
2. Produo: enquanto a presso hidrostti a do lquido no riser for maior que a

variao de presso entre o topo do riser e a seo de alimentao do en anamento,
a golfada ontinua res endo.
3. Exploso: quando a presso do gs na seo de alimentao do en anamento torna-

se maior que o peso da oluna de lquido no riser o orre a golfada ou seja, o lquido
lanado para fora do riser.
4. Retorno: a presso na seo de alimentao diminui e o lquido volta a se a umular

no ponto-baixo, reini iando o i lo.
Este regime li o o asiona um uxo intermitente na sada do riser, o que pode reduzir
a apa idade de produo. Problemas maiores, omo parada de produo, podem ser
o asionados quando grandes volumes de lquido hegam ao vaso separador, inundando-o.
As plataformas de petrleo lidam om grandes quantidades de um produto muito valioso,
por isto, uma reduo da produo ou pequenas paradas no pro esso reetem em perdas
nan eiras substa iais. A ttulo de exemplo, na plataforma P-55 na Ba ia de Campos
no Rio de Janeiro, uma parada indevida de um trem de produo de 30 minutos resulta
numa perda mdia de 1.875 barris. Considerando o valor do barril de petrleo omo sendo
US$60,00, esta perda de produo ustaria US$112.500, 00 (CAMPOS; LOUREIRO; B.,
2006).
B.2 Modelo de Jahanshahi

Nesta seo ser des rito o modelo om quatro estados e quatro parmetros de sintonia,
do pro esso da golfada desenvolvido por Jahanshahi em (JAHANSHAHI, 2013). Em
seguida so apresentados os resultados da simulao do modelo no linear.
A mistura de agua e leo extrada dos poos ser onsiderada omo um ni o ompo-
nente e ser referida a partir daqui omo mistura, o outro omponente sendo o gs. Neste
modelo, Existem duas fases para ada omponente: uma fase da mistura na base e no
topo do riser; uma fase do gs na base e no topo do riser.
A representao do sistema oleoduto-riser da gura B.4 ser utilizada omo base para
a obteno das equaes do modelo. Nesta gura o sistema ilustrado em dois momentos
distintos, o primeiro quando o regime de uxo permite a passagem de gs pelo ponto
baixo e o segundo quando o lquido preen he o ponto baixo do sistema bloqueando a
passagem de gs.
(a) Representao simpli ada do regime desejado
(b) Representao simpli ada do bloqueio do lquido que leva golfada
Figura B.4: Sistema oleoduto-riser
Onde g,in e L,in so os uxos de massa de gs e lquido na entrada do sistema e out

o uxo de massa da mistura na sada. g,rb e l,rb so os uxos de gs e lquido no ponto

baixo do riser respe tivamente. As seguintes propriedades so indi adas diferen iando os
omponentes e suas fases por dois ndi es: m a massa, V o volume, a densidade,
a frao de massa do omponente. O primeiro ndi e referen ia o omponente, g sendo
o gs e l o lquido, e o segundo ndi e referen ia a fase, p indi a a fase do omponente
no oleoduto e r a fase do omponente no riser. Alm disso, Pin a presso do gs no
oleoduto, Prt a presso do gs no topo do riser e Ps a presso do separador (Presso
aps a vlvula de sada).
Os demais parmetros do modelo, juntamente om seus valores padres, so des ritos
na tabela B.1. Os quatro parmetros de sintonia des ritos a seguir podem ser usados para
ajustar o modelo a dados numri os ou experimentais de um sistema oleoduto-riser.
Kh : fator de orreo para o nvel de lquido no oleoduto
Cv1 : onstante de produtividade da vlvula de sada
Kg : oe iente para o uxo de gs atravs do ponto baixo
Kl : oe iente para o uxo de lquido atravs do ponto baixo
Tabela B.1: Parmetros do sistema oleoduto-riser
Smbolo Des rio Valores Unidades

R onstante universal dos gases 8314 J/(kmol.K)
g gravidade 9,81 m/s2
vis osidade 1, 426 10 4 P a.s
l densidade do lquido 832,2 kg/m3
Mg peso mole ular do gs 20 gr
Pres presso do reservatrio 320 bar
Tp temperatura do oleoduto 337 K
Vp volume do oleoduto 48,63 m3
Dp Dimetro do oleoduto 0,12 m
Lp omprimento do oleoduto 4300 m
Tr temperatura do riser 298,3 K
Vr volume do riser 3,14 m3
Dr dimetro do riser 0,1 m
Lr omprimento do riser 300 m
Lh omprimento da seo horizontal 100 m
Ps presso do separador 50,1 bar
Kh fator de orreo do nvel 0,7 -
Kg orif io do uxo de gs no ponto baixo 3, 49 102 -
Kl orif io do uxo de lquido no ponto baixo 2, 81 101 -
Cv1 onstante da vlvula de sada 1, 16 102 -
B.2.1 Equaes de onservao de massa para oleoduto e riser

As quatro equaes diferen iais do modelo advm diretamente da lei de onservao de
massa para o gs e o lquido no oleoduto e no riser: (JAHANSHAHI, 2013)
dmg,p
= g,in g,rb (B.1a)
dt
dml,p
= l,in l,rb (B.1b)
dt
dmg,r
= g,rb g,out (B.1 )
dt
dml,r
= l,rb l,out (B.1d)
dt
O New Model riado por Jahanshahi possui quatro variveis de estado referentes s
diferentes fases do uido, so elas:
mg,p : massa de gs no oleoduto [kg
ml,p : massa de lquido no oleoduto [kg
mg,r : massa de gs no riser [kg
ml,r : massa de lquido no riser [kg
B.2.2 Condies de entrada

Nas equaes (B.1a) e (B.1b), g,in e l,in so os uxos de massa de gs e lquido na
entrada do sistema. Assume-se que esses uxos so onstantes, porm tal ondio de
ontorno pode ser fa ilmente modi ada para, por exemplo, denir um uxo de entrada
dependente da presso. (JAHANSHAHI, 2013)
B.2.3 Condies de sada

Assume-se que a presso do separador Ps onstante e que o uxo de sada da mistura
bifsi a dado pela equao simpli ada da vlvula:
p
out = Cv1 f (z1 ) rt max(Prt Ps , 0) (B.2)
Onde 0 z1 1 a abertura da vlvula normalizada e f (z1 ) a equao ara tersti a

da vlvula. Nas simulaes sero usadas vlvulas lineares, i.e. f (z1 ) = z1 , porm esta
ondio pode ser modi ada para outras vlvulas. Os uxos individuais de lquido e gs
so al ulados por:
m
l,out = l,rt out (B.3)
m
g,out = (1 l,rt )out (B.4)
onde l,rt
m
, a frao de massa de lquido no topo do riser, vale:
l,rt l
m
l,rt = (B.5)
l,rt l + (1 l,rt )g,r
O termo no denominador da equao (B.5) a densidade rt da mistura no topo do
riser, que tambm apare e na equao (B.2). A frao de volume de lquido no riser l,rt
des rita na equao (B.44).
B.2.4 Modelo do oleoduto

O oleoduto denido omo a tubulao horizontal que estende-se desde o poo at a base
do riser. Nele, a frao de volume de lquido dada por:
lm /l
l = (B.6)
lm /l + (1 lm /)g
A frao mdia de massa de lquido nesta tubulao vem das ondies de ontorno
na entrada:
l,in
m
l,p = (B.7)
l,in + g,in
J a frao mdia de volume de lquido no oleoduto :
g,p l,in

l,p = (B.8)
g,p l,in + l g,in
O l ulo da densidade mdia de gs g,p feito a partir da presso nominal (estado
esta ionrio) no oleoduto, assumindo que o gs ideal:
Pin,nom Mg
g,p = (B.9)
RTp
Pin,nom por sua vez dependente de
l,p e por isso, al ulado a partir de uma
ini ializao geral do modelo no estado esta ionrio. Usando a equao (B.9) e taxas de
l,p onstante.
uxo de entrada onstantes (nominais), resulta em
A rea da seo transversal do oleoduto :
2
Ap = D (B.10)
4 p
onde Dp o dimetro do oleoduto, om isso o volume do oleoduto ser Vp = Ap Lp .
Quando o gs e lquido esto distribudos homogeneamente ao longo do oleoduto, a
massa de lquido presente no oleoduto dada por:
m
l,p = l Vp
l,p (B.11)
Com esta onsiderao, o nvel do lquido no ponto baixo do oleoduto ser:
= Kh hd
h l,p (B.12)
onde hd = Dp /cos() a abertura do oleoduto na base do riser, a in linao do oleoduto

e Kh um fator de orreo que pode ser utilizado para fazer um ajuste no no modelo.
Supondo que haja um aumento de ml,p na massa do lquido, um omprimento L
do oleoduto ser preen hido, apenas om lquido, a partir do ponto baixo. Assim:
ml,p = ml,p m
l,p = LAp (1
l,p )l (B.13)
+ L sin() ou ainda:
O nvel de lquido torna-se h = h
+ ml,p m
h=h
l,p
sin() (B.14)
Ap (1
l,p )l
Com isso o nvel de lquido h pde ser es rito omo uma funo da massa de lquido no
oleoduto, que uma varivel de estado do modelo. O restante dos parmetros da equao
(B.14) so onstantes.
A equao densidade do gs no oleoduto :
mg,p
g,p = (B.15)
Vg,p
onde o volume o upado pelo gs no oleoduto :
Vg,p = Vp ml,p /l (B.16)
A presso na entrada do oleoduto, assumindo que o gs ideal, ser:
g,p RTp
Pin = (B.17)
Mg
Apenas a fase lquida onsiderada no l ulo da queda de presso o asionada pelo
atrito no oleoduto, que dada por:
l,p p l Usl,in
2
Lp
Pf p = (B.18)
2Dp
onde p o fator de atrito do oleoduto, que pode ser omputado por uma aproximao
expli ita da equao de Colebrook-White:
" 1,11 #
1 /Dp 6, 9
p 1, 8 log10 + (B.19)
p 3, 7 Rep
aqui, o nmero de Reynolds dado por:
l Usl,in Dp
Rep = (B.20)

sl,in a velo idade super ial do lquido, que dada
onde a vis osidade do lquido e U
por:
4l,in
Usl,in = (B.21)
Dp2 l
B.2.5 Modelo do riser

O riser a tubulao verti al que liga a plataforma ao fundo do o eano. O volume total
do riser dado por:
Vr = Ar (Lr + Lh ) (B.22)
onde,
2
Ar = D (B.23)
4 r
O volume o upado pelo gs no riser :
ml,r
Vg,r = Vr (B.24)
l
A densidade do gs no riser obtida por:
mg,r
g,r = (B.25)
Vg,r
A presso no topo do riser derivada da lei dos gases ideais:
g,r RTr
Prt = (B.26)
Mg
A frao mdia de volume de lquido no riser dada por:
ml,r

l,r = (B.27)
Vr l
A densidade mdia da mistura no interior do riser :
mg,r + ml,r
m,r = (B.28)
Vr
A queda de presso, devido ao atrito, entre as fases no riser dada por:
2 (Lr + Lh )
l,r r m,r U
Pf r = m
(B.29)
2Dr
O fator de atrito do riser usa a mesma orrelao do oleoduto:
" 1,11 #
1 /Dr 6, 9
= 1, 8 log10 + (B.30)
r 3, 7 Rer
onde o nmero de Reynolds no riser dado por:
m,r Um Dr
Rer = (B.31)

A velo idade da mistura no riser equivale soma da velo idade super ial do lquido
e do gs:
Um = Usl,r + Usg,r (B.32)
onde as velo idades de lquido e gs so respe tivamente:
l,in
Usl,r = (B.33)
l Ar
g,in
Usg,r = (B.34)
g,r Ar
B.2.6 Modelo do uxo de gs na base do riser

Conforme ilustrado na gura (B.4), quando o nvel de lquido ex ede a abertura do oleo-
duto no ponto baixo (h > hd ), o lquido ir bloquear a passagem de gs naquele ponto e
o uxo de gs ser zero:
g,rb = 0, h hd (B.35)
Quando o lquido no est bloqueando o ponto baixo (h < hd ), haver um uxo de

gs do volume Vg,p para o Vg,r a uma taxa de g,rb [kg/s]. Assume-se que este uxo tem
a equao simpli ada da vlvula:
p
g,rb = Kg Ag g,p Pg , h < hd (B.36)
onde,
Pg = Pi n Pf p Prt m,r gLr Pf r (B.37)
A rea livre Ag para a passagem de gs pode ser al ulada pre isamente utilizando
funes trigonomtri as (STORKAAS; SKOGESTAD, 2003). Porm, por simpli idade,
ser utilizada a seguinte aproximao quadrti a:
2
hd h
Ag = Ap , h < hd (B.38a)
hd
Ag = 0, h < hd (B.38b)
B.2.7 Modelo do uxo de lquido na base do riser

O uxo de massa de lquido na base do riser tambm des rito pela equao simpli ada
da vlvula:
p
l,rb = Kl Al l Pl (B.39)
onde a variao de presso do lquido obtida omo:
Pl = Pin Pf p + l gh Prt m,r gLr Pf r (B.40)
e a rea da seo transversal da passagem do lquido vale:
Al = Ap Ag (B.41)
B.2.8 Modelo de distribuio das fases na sada da vlvula

A m de al ular os uxos de massa das fases individualmente em (B.3) e (B.4), a distri-
buio das fases no topo do riser deve ser onhe ida.
A frao de volume de lquido no topo do riser, l,rt , que usada na equao (B.5),
pode ser al ulada partir do modelo de arrastamento proposto em (STORKAAS;
SKOGESTAD, 2003), porm suas equaes so ompli adas. Como alternativa, utiliza-
se o fato de que em um oleoduto verti al, existe uma relao aproximadamente linear
entre a presso e a frao de volume de lquido. Alm disso, o gradiente de presso

assumido onstante ao longo do riser para o regime de uxo desejvel (sem golfadas).
Consequentemente o gradiente de frao de volume de lquido tambm ser onstante, i.e.
l,r
y
= constante. Assim, a frao mdia de volume de lquido no riser :
l,rb + l,rt ml,r

l,r = = (B.42)
2 Vr l
aqui, l,rb o mesmo da equao (B.27) e l,rb determinado a partir da rea do uxo de
lquido na base do riser:
Al

l,rb = (B.43)
Ap
Finalmente, a frao de volume de lquido no topo do riser dada por:
2ml,r
l,rt = 2
l,r l,rb = (B.44)
Vr l

Identificação Relevante Ao Controle Preditivo - Método EN-PH de Otimização Numérica Baseado em Técnicas de Regularização

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Identificação Relevante Ao Controle Preditivo - Método EN-PH de Otimização Numérica Baseado em Técnicas de Regularização

Uploaded by

Copyright:

Available Formats

Identi

ao relevante ao ontrole preditivo - Mtodo

Raphael de Medeiros Souto Maior Baltar

Dissertao de Mestrado submetida Coordenao do Programa

rea de Con entrao: Instrumentao e Controle

Pri les Rezende Barros, Ph.D

Campina Grande, Paraba, Brasil

B197i Baltar, Raphael de Medeiros Souto Maior.

Dissertao (Mestrado em Engenharia Eltrica) Universidade Federal

"Orientao: Prof. Dr. Pricles Rezende Barros".

1. Controle. 2. Regularizao. 3. Otimizao Numrica. 4. Identificao

Por m, agradeo aos amigos verdadeiros do Laboratrio de Instrumentao Eletrni a

2 Identi ao relevante ao ontrole preditivo 11

4 Avaliao das t ni as de identi ao - Simulao/Experimento 46

5 Con luses e Sugestes de Trabalhos Futuros 68

Refern ias Bibliogr as 70

A Modelo MIMO ARX 74

B Regime de uxo multifsi o de golfadas 77

ARMAX - Autoregressive Moving Average eXogenous

4.1 ndi es de Theil de validao - Coluna de destilao . . . . . . . . . . . . . 52

B.1 Parmetros do sistema oleoduto-riser . . . . . . . . . . . . . . . . . . . . . 82

2.1 Malha tpi a de ontroladores preditivos . . . . . . . . . . . . . . . . . . . 12

4.1 Diagrama esquemti o da oluna de destilao . . . . . . . . . . . . . . . . 49

B.1 Padres de es oamento de uxo multifsi o em uma tubulao horizontal. . 78

B.3 Fases da golfada no riser. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

a partir das variveis manipulveis. O MPC onsiste em uma famlia de t ni as de

so estudados em dois exemplos de simulao e um exemplo experimental, em todos os

1.2 Reviso Bibliogr a

1.2.1 Controle preditivo

1.2.2 Identi ao relevante ao ontrole preditivo

apa idade do algoritmo de identi ar modelos no-lineares baseados na estrutura NARX

1.2.3 Regime de golfada em en anamentos-riser

o projeto de ontroladores. Storkaas foi pioneiro ao modelar o fenmeno da golfada em

Estudar os mtodos de identi ao MRI;

Analisar as propriedades dos mtodos de regularizao;

Desenvolver um novo mtodo de identi ao MRI que agrega as ara tersti as da

Avaliar o desempenho da t ni a em apli aes simuladas e experimentais;

Desenvolvimento do mtodo de identi ao relevante ao ontrole preditivo EN-PH;

A identi ao de sistemas e anlise omparativa de mtodos de identi ao MRI,

1.5 Organizao do Texto

Identi ao relevante ao ontrole

2.2 Controle Preditivo

Figura 2.1: Malha tpi a de ontroladores preditivos

A sequen ia de ontrole ser obtida partir da minimizao de uma funo de usto.

A ada instante de amostragem uma sequn ia de ontrole obtida, seguindo os

f (k) = f (up (k), yp (k), uf (k), udof (k))

Na gura 2.2 apresentado um exemplo dos sinais que ompem o MPC.

onde nb o horizonte do passado das entradas; na o horizonte passado das sadas; nf

Figura 2.2: Representao de um MPC

o horizonte de predio e nu o horizonte de ontrole. Os detalhes de omo se obter

2.2.2 Obtendo um preditor linear

f (k) = [up (k) yp (k) uf (k) udof (k)]

Onde a matriz que ontm os parmetros do preditor linear e x(k) o vetor de

yf (k) = [y(k + 1) ... y(k + nf )]

u(k + nf 1) ... u(k + nu ), u(k + nu 1), ... u(k)]

k [1 ... N]. Note que yf (k) um vetor linha om ny = no nf olunas, e x(k) um

Considerando o erro de modelagem tem-se:

a matriz de predies. Dadas as matrizes

2.2.3 Funo de usto de ontrole

onde r(k) o vetor de refern ia das sadas.

f (k)]Wy k2F + u kudof (k)Wu k2F

onde Wy a matriz de ponderao dos desvios das sadas; Wu a matriz de ponderao

No aso geral, deve-se utilizar um otimizador online para resolver o problema de

Identi

Por m, agradeo aos amigos verdadeiros do Laboratrio de Instrumentao Eletrni a

2 Identi ao relevante ao ontrole preditivo 11

4 Avaliao das t ni as de identi ao - Simulao/Experimento 46

Refern ias Bibliogr as 70

B Regime de uxo multifsi o de golfadas 77

B.1 Padres de es oamento de uxo multifsi o em uma tubulao horizontal. . 78

1.2 Reviso Bibliogr a

1.2.2 Identi ao relevante ao ontrole preditivo

apa idade do algoritmo de identi ar modelos no-lineares baseados na estrutura NARX

o projeto de ontroladores. Storkaas foi pioneiro ao modelar o fenmeno da golfada em

Estudar os mtodos de identi ao MRI;

Desenvolver um novo mtodo de identi ao MRI que agrega as ara tersti as da

Desenvolvimento do mtodo de identi ao relevante ao ontrole preditivo EN-PH;

A identi ao de sistemas e anlise omparativa de mtodos de identi ao MRI,

Identi ao relevante ao ontrole

Na gura 2.2 apresentado um exemplo dos sinais que ompem o MPC.

Assumindo que os dados de identi ao foram previamente ltrados, uma estrutura

u(k) = [u1 (k) ... uni (k)]

a matriz de parmetros que dene o modelo. Sua dimenso nx n0 ( sendo

sendo e(k + 1) o erro de identi ao no instante k + 1 om dados da sadas disponveis

sendo e(k + j) o erro de identi ao no instante k + j om dados da sadas disponveis

Dado um onjunto de dados de identi ao e um preditor, possvel al ular o MSEP.

Ao apli ar uma t ni a de ajuste de modelo, ser produzido um vetor de oe ientes

Predio: Melhorar o desempenho da predio ao eliminar ara tersti as rui-

entre os preditores, a minimizao da funo de usto denida na t ni a dos mnimos

E[y] = f e f determinsti o, assim E[yf ] simpli a para f 2 que an ela om o

Aps algumas simpli aes. Note que UT y so as ordenadas de y om relao base

Finalmente os oe ientes lasso so obtidos a partir de: