IDENTIFICAÇÃO DE UMA PLANTA PILOTO DE FLOTAÇÃO EM COLUNA

February 16, 2017 | Author: Ana Clara Weber di Azevedo | Category: N/A
Share Embed Donate


Short Description

1 Eduardo Tadeu Stehling Saraiva IDENTIFICAÇÃO DE UMA PLANTA PILOTO DE FLOTAÇÃO EM COLUNA Di...

Description

Eduardo Tadeu Stehling Saraiva

IDENTIFICAÇÃO DE UMA PLANTA PILOTO DE FLOTAÇÃO EM COLUNA

Dissertação submetida à banca examinadora designada pelo Colegiado do Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Minas Gerais como parte dos requisitos necessários à obtenção do grau de Mestre em Engenharia Elétrica.

Orientador: Dr. Luis Antonio Aguirre

Programa

de

Pós-Graduação

em

Engenharia

Universidade Federal de Minas Gerais

Belo Horizonte / MG 1999

Elétrica

da

Resumo O objetivo deste trabalho é investigar a aplicação de técnicas de identificação de sistemas dinâmicos não lineares na obtenção de modelos NARMAX (nonlinear auto-regressive moving average with exogenous inputs) polinomiais multivariáveis de uma planta piloto de flotação em coluna do Centro de Desenvolvimento da Tecnologia Nuclear, CDTN. Flotação em coluna é atualmente uma das tecnologias mais empregadas no beneficiamento de minérios. No Brasil, e em diversas partes do mundo, ela tem se destacado pela eficiência e versatilidade na produção de concentrados minerais puros.

O trabalho pode ser dividido em três partes. Na primeira parte, que vai do primeiro ao terceiro capítulo, é apresentada uma revisão bibliográfica dos assuntos tratados na dissertação: modelagem de sistemas, flotação em coluna e identificação de sistemas não lineares. A segunda parte, composta pelo capítulo 4 e apêndice B, é dedicada à identificação de sistemas não lineares com múltiplas entradas e múltiplas saídas (MIMO). Nesta parte, os conceitos sobre identificação de sistemas com entrada única e saída única (SISO), abordados no capítulo 3, são estendidos aos sistemas MIMO. O capítulo 4 apresenta a base teórica a partir da qual foram desenvolvidas as rotinas computacionais utilizadas nos procedimentos de identificação MIMO. No apêndice B são mencionadas essas rotinas. Na terceira parte, composta pelos capítulos 5 e 6 e apêndice A, são apresentados os resultados obtidos a partir da aplicação das técnicas de identificação sobre a planta piloto de flotação em coluna. No capítulo 5 e apêndice A são descritos os testes realizados e apresentados e analisados os melhores modelos obtidos. Estes modelos têm como entradas o sinal de controle de velocidade da bomba de não flotado da coluna, a vazão de água de lavagem e a vazão de alimentação de ar. As variáveis de saída são a pressão superior e a pressão inferior na seção de concentração. No capítulo 6 são tecidas conclusões sobre os resultados obtidos.

Abstract The aim of the present work is to investigate the application of nonlinear identification techniques to a pilot column flotation which belongs to Centro de Desenvolvimento da Tecnologia Nuclear (CDTN). The flotation column technique used by the pilot plant is commonly used in ore beneficiation both in Brazil and other countries. This technique is well known for its efficiency and versatility in produce clean concentrates. The model representation used is multivariable nonlinear autoregressive, moving average models with exogenous inputs (NARMAX) of the polynomial type.

The present work can be divided in three parts. The first one, composed by chapters one to three, presents a brief survey on system modeling, column flotation and nonlinear system identification. The second part, composed by chapter four and appendix B, is devoted to identification of multiple input multiple output (MIMO) systems. The basis of identification of single input single output (SISO) systems described in chapter three is extended to MIMO systems in chapter four. The computational routines derived of that theory and used in this work are presented in appendix B. The last part, composed by chapters five, six and appendix A, presents the main results obtained by applying identification techniques to the pilot plant. In chapter five and appendix A the dynamical testing of the plant is described as well as the best identified models. Inputs are the signal that controls the tailing flow pumps, wash water flow and air flow. The model outputs are the pressure values at the measuring points in the collection zone. The main conclusions are presented in chapter six.

ÍNDICE ANALÍTICO Resumo. .............................................................................................................. i Abstract. ..............................................................................................................ii Agradecimentos ................................................................................................. iii Índice Analítico. ...................................................................................................v Lista de Figuras. ............................................................................................... viii 1. Introdução 1.1 Modelagem de sistemas dinâmicos ..................................................... 1 1.1.1 Representação do conhecimento ............................................. 2 1.1.2 Uso de modelos........................................................................ 3 1.2 Motivação do trabalho .......................................................................... 4 1.3 Atividades realizadas durante a dissertação ........................................ 5 1.4 Organização do trabalho ...................................................................... 6 2. Flotação em coluna 2.1 Introdução ............................................................................................ 7 2.2 Histórico da coluna de flotação ............................................................ 9 2.3 O processo de flotação ...................................................................... 10 2.3.1 Mecanismo de separação das partículas minerais ................. 10 2.3.2 Etapas de preparação do minério........................................... 11 2.3.3 Reagentes químicos utilizados no processo de flotação............................................................................... 12 2.3.4 Fatores físicos que influenciam o processo de flotação............................................................................... 14 2.4 Características de funcionamento da coluna de flotação ................... 16 2.4.1 Seção de concentração .......................................................... 17 2.4.2 Seção de limpeza ................................................................... 18 2.5 Parâmetros da flotação em coluna..................................................... 18 2.5.1 Fluxo e holdup de ar ............................................................... 19 2.5.2 Tamanho das bolhas .............................................................. 21 2.5.3 Fluxo de água de lavagem e bias. .......................................... 21 2.5.4 Altura da camada de espuma ................................................. 22 2.5.5 Tempo médio de residência das partículas minerais.............. 23 2.5.6 Percentagens de sólidos na alimentação da polpa................. 23 2.6 Medição de variáveis da flotação em coluna...................................... 24

2.6.1 Medição do da altura da camada de espuma ......................... 24 2.6.2 Medição do holdup do ar ........................................................ 25 2.6.3 Medição do bias...................................................................... 25 2.7 Estratégias de controle aplicadas em colunas de flotação................. 26 2.7.1 Controle estabilizante de colunas de flotação......................... 27 2.7.2 Controle otimizante de colunas de flotação ............................ 27 2.8 Modelagem do processo de flotação em coluna ................................ 28 2.9 A coluna de flotação de 2” do CDTN.................................................. 29 2.9.1 Sistema de controle e monitoração da coluna ........................ 33 2.9.2 Alimentação de polpa de minério............................................ 34 2.9.3 Alimentação de ar................................................................... 35 2.9.4 Alimentação de água de lavagem........................................... 35 2.9.5 Descarga de flotado e de não flotado ..................................... 36 2.10 Considerações finais ........................................................................ 37 3. Identificação de sistemas não lineares 3.1 Introdução .......................................................................................... 39 3.2 Identificação de sistemas ................................................................... 40 3.2.1 Experimentação do sistema e aquisição dos dados ............... 41 3.2.1.1 Sinais de teste......................................................... 41 3.2.1.2 Seleção do período de amostragem para a aquisição de dados ..................................... 42 3.2.1.3 Seleção do período de amostragem para manipulação dos dados coletados ................. 42 3.2.1.4 Ruído nos dados ..................................................... 44 3.2.2 Detecção de não linearidades ................................................ 45 3.2.3 Escolha da estrutura do modelo ............................................. 47 3.2.4 Detecção da estrutura ............................................................ 50 3.2.5 Estimação de parâmetros ....................................................... 52 3.2.6 Critérios de informação........................................................... 54 3.2.7 Validação dos modelos........................................................... 55 3.3 Considerações finais.......................................................................... 59 4. Identificação de sistemas não lineares MIMO 4.1 Introdução .......................................................................................... 62 4.2 Representação dos sistemas MIMO .................................................. 63

4.3 Detecção da estrutura e estimação de parâmetros de sistemas MIMO............................................................................. 65 4.3.1 Uso da Transformação de Householder na solução do problema de mínimos quadrados....................................... 68 4.3.2 Detecção de estrutura utilizando o ERR................................. 71 4.3.3 Estimação de parâmetros ....................................................... 76 4.4 Validação de modelos MIMO ............................................................. 76 4.5 Considerações finais.......................................................................... 77 5. Modelos identificados para a coluna de flotação de 2” do CDTN 5.1 Introdução .......................................................................................... 79 5.2. Seleção das variáveis de entrada e saída dos modelos ................... 80 5.3 Descrição dos testes .......................................................................... 81 5.3.1 Aplicação dos sinais de teste.................................................. 82 5.3.2 Taxa de amostragem dos sinais ............................................. 85 5.4 Apresentação dos dados.................................................................... 85 5.5 Apresentação dos modelos................................................................ 90 5.5.1 Equações dos modelos identificados...................................... 91 5.5.2 Validação dos modelos identificados...................................... 94 5.5.3 Índice de qualidade dos modelos ......................................... 114 5.6 Análise dos resultados ..................................................................... 115 5.6.1 Análise das equações dos modelos ..................................... 115 5.6.2 Análise dos gráficos de validação......................................... 116 5.6.3 Obtenção de um modelo simplificado m2p_s ....................... 117 5.7 Considerações finais........................................................................ 123 6. Conclusões............................................................................................... 125 Apêndice A: Gráficos de validação estatística dos modelos identificados...... 128 Apêndice B: Rotinas computacionais de identificação de sistemas MIMO..... 153 Referências bibliográficas .............................................................................. 161

Lista de figuras Figura 2.1: Representação esquemática de uma coluna de flotação. Figura 2.2: Relação entre a velocidade superficial específica do ar e o holdup do ar. Figura 2.3: Fluxograma da coluna de flotação de 2” do CDTN. Figura 2.4: Vista da coluna de flotação de 2” do CDTN. Figura 2.5: Vista da instrumentação da coluna de flotação de 2” do CDTN. São mostrados os circuitos de alimentação de água de lavagem e a entrada de polpa de minério. Figura 2.6: Vista da instrumentação da coluna de flotação de 2” do CDTN. São mostrados os circuitos de alimentação de ar e descarga de não flotado. Figura 5.1: Perfis dos sinais de excitação utilizados no teste t25: (a) velocidade da bomba de não flotado; (b) abertura da válvula de controle de vazão de água de lavagem. Figura 5.2: Perfis dos sinais de excitação utilizados no teste t26: (a) velocidade da bomba de não flotado; (b) abertura da válvula de controle de vazão de água de lavagem. Figura 5.3: Sinais de entrada e saída obtidos no teste t25 e utilizados na obtenção dos modelos: (a) velocidade da bomba de não flotado (u1); (b) vazão de água de lavagem (u2); (c) vazão de ar (u3); (d) pressão no ponto superior da seção de concentração da coluna (y1); (e) pressão no ponto inferior da seção de concentração da coluna (y2).

Figura 5.4: Sinais de entrada e saída obtidos no teste t25 e utilizados na validação dos modelos: (a) velocidade da bomba de não flotado (u1); (b) vazão de água de lavagem (u2); (c) vazão de ar (u3); (d) pressão no ponto superior da seção de concentração da coluna (y1); (e) pressão no ponto inferior da seção de concentração da coluna (y2). Figura 5.5: Sinais de entrada e saída obtidos no teste t26 e utilizados na validação dos modelos: (a)velocidade da bomba de não flotado (u1); (b) vazão de água de lavagem (u2); (c) vazão de ar (u3); (d) pressão no ponto superior da seção de concentração da coluna (y1); (e) pressão no ponto inferior da seção de concentração da coluna (y2). Figura 5.6. Comparação entre os sinais de controle de velocidade enviados para a bomba de não flotado e os sinais obtidos através da medição manual de vazão de não flotado durante o teste t25: (a) velocidade da bomba de não flotado; (b) vazão de não flotado medida manualmente. Figura 5.7. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m1o: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.8. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m1o: (a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg).

Figura 5.9. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m1o: (a) altura da camada de espuma (hesp), utilizando os dados obtidos pelo sistema de aquisição; (b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.10. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m1o: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.11. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m1o: (a) diferença entre a pressão no ponto inferior e a pressão superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.12. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m1o: (a) altura da camada de espuma (hesp) utilizando os dados obtidos pelo sistema de aquisição; (b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.13. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2j: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.14. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2j:

(a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.15. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2j: (a) altura da camada de espuma (hesp) utilizando os dados obtidos pelo sistema de aquisição; (b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.16. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2j: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.17. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2j: (a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.18. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2j: (a) altura da camada de espuma (hesp) utilizando os dados obtidos pelo sistema de aquisição; (b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.19. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2p:

(a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.20. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2p: (a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.21. Comparação entre os valores dos dados de validação do teste t25 e os valores produzidos pela simulação do modelo m2p: (a) altura da camada de espuma (hesp) utilizando os dados obtidos pelo sistema de aquisição; (b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.22. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2p: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.23. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2p: (a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.24. Comparação entre os valores dos sinais coletados no teste t26 e os valores produzidos pela simulação do modelo m2p: (a) altura da camada de espuma (hesp) utilizando os dados obtidos pelo sistema de aquisição;

(b) altura da camada de espuma (hesp) utilizando os dados obtidos a partir da leitura visual pelo operador. Figura 5.25. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2p_s: (a) pressão no ponto superior na seção de concentração (y1); (b) pressão no ponto inferior na seção de concentração (y2). Figura 5.26. Comparação entre os valores dos dados de validação do teste t26 e os valores produzidos pela simulação do modelo m2p: (a) diferença entre a pressão no ponto inferior e a pressão no ponto superior na seção de concentração (y2-y1); (b) holdup do ar (Eg). Figura 5.27. Comparação entre os valores de altura da camada de espuma (hesp) coletados no teste t26 e os valores produzidos pela simulação do modelo m2p_s:

Capítulo 1 Introdução

1.1 Modelagem de sistemas dinâmicos A tarefa de manipular, armazenar e transmitir o conhecimento sobre qualquer assunto pode ser facilitada quando o conjunto de informações disponibilizado é organizado e transformado em um modelo. Modelos são abstrações utilizadas nas mais diversas áreas do conhecimento humano, seja em áreas da física, biologia, sociologia ou economia (Bosch and Klauw, 1994; Garcia, 1997). No âmbito dos sistemas dinâmicos, um modelo pode tomar a “forma” de uma equação matemática, uma representação gráfica ou até mesmo de um conjunto de regras heurísticas. Qualquer que seja o formato, o modelo sempre reflete a percepção e o entendimento do modelador acerca do sistema modelado.

A construção de modelos é uma parte importante do trabalho científico, sendo tipicamente um processo interativo. Refinando-se sucessivamente um primeiro modelo base e utilizando-se critérios de avaliação de desempenho, busca-se derivar uma representação cujo comportamento se aproxime do comportamento observado no sistema (Bosch and Klauw, 1994).

Quando o conhecimento sobre o fenômeno em estudo está bem assimilado, é possível, a partir de considerações teóricas, estabelecer um modelo funcional plausível. Modelos assim derivados são normalmente baseados em leis físicas expressas diretamente através de equações algébricas ou diferenciais (Leitch, 1987; Bosch and Klauw, 1994). Contudo, existem várias situações onde os mecanismos que governam um fenômeno 1

Capítulo 1:

Introdução

não são suficientemente bem entendidos, ou são muito complexos para se estabelecer um modelo a partir da teoria sobre o assunto. Nestes casos, modelos empíricos podem ser muito úteis, principalmente se o foco de interesse do trabalho está concentrado em uma faixa limitada de variáveis. Uma das técnicas de derivação de modelos empíricos é a Identificação de Sistemas, assunto principal deste trabalho que será extensamente discutido ao longo da dissertação (Norton, 1986; Ljung, 1987; Bosch and Klauw, 1994).

1.1.1 Representação do conhecimento Um ponto chave na modelagem é a determinação do nível de abstração (símbolos ou números) adequado para representar as dinâmicas do sistema (Leitch, 1987). O nível de abstração irá definir a unidade de representação fundamental (primitiva) do conhecimento que será empregada. Além disso, a modelagem pode ser realizada utilizando-se um nível de detalhamento maior ou menor de informações. O nível de detalhamento determina a granularidade (resolução) das informações presentes no modelo. Desta forma, um modelo pode descrever um sistema segundo duas dimensões: abstração e detalhamento. Definido o nível de abstração deve então ser escolhido o formalismo da representação.

Na área de estudo do chamado “controle moderno de sistemas” são utilizadas como primitivas da modelagem as funções de valores numéricos reais em tempo contínuo ou tempo discreto. A resolução das informações contidas no modelo é dada pela ordem dos termos constituintes. Quanto ao formalismo na representação do conhecimento, podem ser utilizadas a representação por espaço de estados, funções de transferência, ou funções de resposta em freqüência, dentre outras representações. Na área dos “sistemas baseados no conhecimento”, a primitiva da modelagem é o símbolo, {+, 0, -}, indicando se a observação é positiva, zero ou negativa. A resolução das informações contidas no modelo é determinada pelo tamanho da base de 2

Capítulo 1:

Introdução

conhecimento que relaciona as variáveis simbólicas. O formalismo na representação pode utilizar recursos da área de inteligência artificial como, por exemplo, redes neurais artificiais (Zurada,1992), lógica nebulosa (Klir and Yuan, 1995) e algoritmos genéticos (Michell, 1998).

Embora seja de grande importância, a capacidade de reproduzir com precisão a dinâmica do sistema não é o único fator preponderante na avaliação da utilidade de um modelo. Também de grande relevância é o grau de simplicidade, ou seja, quanto mais simples for o modelo, mais fácil é a sua manipulação. Neste caso, uma das diretivas que deve ser seguida na modelagem é tentar explicar a dinâmica de interesse em termos de um conjunto de variáveis facilmente analisáveis e que caracterizem somente eventos essenciais do sistema (Leitch, 1987; Bosch and Klauw, 1994).

1.1.2 Uso de modelos Uma das áreas de maior aplicação de modelos é a área de simulação de sistemas, principalmente a simulação através computadores digitais. Simulação é uma ferramenta computacional de obtenção da resposta temporal das variáveis de interesse de um modelo quando se excita suas variáveis de entrada com sinais desejados e se definem os valores das condições iniciais das variáveis dependentes (Garcia, 1997).

Alguns exemplos onde a simulação pode se tornar proveitosa ou, até mesmo essencial, são (Bosch and Klauw, 1994): • restrições na experimentação do sistema real, como, por exemplo, risco de acidentes (geração de calor em reatores nucleares), alto custo financeiro (movimento de satélites em órbita), dinâmicas muito rápidas ou muito lentas (fenômenos físicos em átomos, crescimento populacional), dentre outras;

3

Capítulo 1:

Introdução

• predição de dados, como, por exemplo, a previsão das condições climáticas; • solução numérica em problemas onde a solução analítica é difícil ou mesmo impossível de ser encontrada; • projeto de sistemas de controle.

1.2 Motivação do trabalho Flotação é atualmente uma das tecnologias mais versáteis e eficientes empregadas no beneficiamento de minérios. A sua utilização tem permitido a exploração de minérios de baixos teores e jazidas de composição mineralógica complexa, que de outra forma teriam sido considerados sem valor econômico.

A Supervisão de Processos do Centro de Desenvolvimento da Tecnologia Nuclear (CDTN) vem trabalhando, desde 1985, no desenvolvimento da tecnologia de flotação em coluna. No estágio atual de desenvolvimento destes trabalhos, tem-se manifestado o interesse de aprofundar os estudos na área de instrumentação e controle de colunas de flotação. Neste contexto, surgiu a oportunidade de realizar uma dissertação de mestrado na linha de pesquisa de Identificação de Sistemas. Neste trabalho, são utilizadas técnicas de identificação de sistemas dinâmicos não lineares na obtenção de modelos NARMAX (nonlinear auto-regressive moving average with exogenous inputs) polinomiais multivariáveis da coluna piloto de flotação de 2” do CDTN. A partir dos modelos matemáticos obtidos, pretende-se extrair informações a respeito da coluna que permitam predizer e analisar o seu comportamento sob diversas condições de operação. O conhecimento daí resultante poderá ser aplicado de diversas maneiras, destacando-se aqui, o aprimoramento das estratégias de controle já existentes ou o desenvolvimento de novas estratégias de controle.

4

Capítulo 1:

Introdução

1.3 Atividades realizadas durante a dissertação As atividades realizadas durante a dissertação podem ser divididas em três

grupos:

modificação

de

rotinas

computacionais

de

identificação,

instrumentalização da coluna de flotação do CDTN e identificação da coluna. O cerne da dissertação se encontra no terceiro grupo de atividades. Contudo, a execução dos dois primeiros grupos foi de grande relevância na medida em que elas viabilizaram a identificação multivariável da coluna (três sinais de entrada e dois sinais de saída). Caso estas atividades não tivessem sido executadas a dissertação estaria restrita a uma identificação monovariável (apenas um sinal de entrada e um sinal de saída).

No início dos trabalhos, tinha-se disponível um conjunto de treze rotinas computacionais que poderiam ser usadas somente na identificação de sistemas SISO (sistemas com uma única entrada e uma única saída) (Mendes e Aguirre, 1995). Para que o seu escopo de utilização fosse estendido para os sistemas MIMO (sistemas com múltiplas entradas e múltiplas saídas), foram adequadas oito dessas rotinas. As modificações preservaram a estrutura básica das rotinas, concentrando-se principalmente no aumento da capacidade de manipulação de um elenco maior de combinações de vetores de sinais. Estas rotinas estão descritas no apêndice B. Além deste trabalho, o conjunto de rotinas de identificação MIMO também foi utilizado em outra dissertação do Programa de Pós-graduação em Engenharia Elétrica da UFMG (Barros, 1997).

Com o intuito de dotar a coluna de flotação com os equipamentos adequados à execução dos procedimentos de identificação MIMO, foram acrescentados às linhas de ar e de água de lavagem da coluna instrumentos de medição e controle, com interfaceamento externo de sinais no padrão de corrente 4-20 mA. Nesta etapa do trabalho foram realizadas a especificação, compra, instalação e comissionamento de duas válvulas de controle de vazão e dois transmissores de vazão (um par transmissor/válvula para cada linha).

5

Capítulo 1:

Introdução

1.4 Organização do trabalho O texto da dissertação está organizado em 6 capítulos. Este primeiro capítulo tem como objetivo definir o escopo do assunto tratado na dissertação, relatar as principais atividades executadas durante o trabalho e relacionar os tópicos abordados nos capítulos seguintes.

O assunto tratado no capítulo 2 é a flotação em coluna. São apresentados os principais conceitos referentes ao processo de flotação, focalizando, em especial, a coluna de flotação canadense, que foi objeto da aplicação das técnicas de identificação neste trabalho.

O capítulo 3 trata da identificação de sistemas não lineares, abordando os principais tópicos relativos aos procedimentos utilizados. Os conceitos apresentados tomam como referência a identificação de sistemas SISO. Esse capítulo serve de base para o capítulo 4, que trata da identificação de sistemas não lineares MIMO.

O capítulo 5 trata da identificação da coluna de flotação de 2” do CDTN. São apresentados os testes realizados para a coleta de dados, os modelos obtidos a partir da aplicação das rotinas de identificação, e, ao final, são analisados os resultados obtidos.

O capítulo 6 é dedicado às considerações gerais acerca do trabalho executado, aos resultados obtidos e às sugestões de trabalhos futuros.

Além dos seis capítulos, constam também do texto dois apêndices. No apêndice A são apresentados os gráficos de validação estatística dos modelos obtidos. No apêndice B são mencionadas as rotinas computacionais de identificação MIMO utilizadas.

6

Capítulo 2 Flotação em coluna

2.1 Introdução Um dos impactos sobre o setor mineral advindos do consumo crescente de produtos industrializados tem sido a exaustão de minérios de teor elevado. Nas

duas

últimas

décadas,

novos

equipamentos

e

tecnologias

de

beneficiamento de minérios têm sido desenvolvidos em função da necessidade de processar minérios de baixo teor ou de concentração mais complexa. Dentre as diversas tecnologias de beneficiamento, a flotação tem sido o processo de concentração mineral mais utilizado (Oliveira e Aquino, 1992). O processo de flotação em coluna tem adquirido um papel importante na área de processamento

mineral

em

virtude

da

sua

capacidade

de

produzir

concentrados mais puros, com custo operacional e de capital relativamente baixos (Del Villar et alii, 1994).

O desenvolvimento da tecnologia de flotação tem sido impulsionado, substancialmente, pelos avanços alcançados pelas máquinas de flotação, destacando-se dentre elas a coluna de flotação. Comparativamente mais eficientes que as células mecânicas, as colunas de flotação têm sido introduzidas em várias plantas de beneficiamento de minérios (Murdock et alii, 1991; Aquino,1992). Em algumas aplicações, um estágio de concentração constituído por uma única coluna é capaz de substituir vários estágios de células mecânicas. Quando o minério é de concentração mais complexa, ou quando se deseja um produto com melhor qualidade, é necessária a utilização de mais de um estágio de flotação em coluna.

7

Capítulo 2:

Flotação em coluna

Além de ser amplamente empregado na área mineral, o processo de flotação também tem sido aplicado em diversas outras áreas. Como exemplos, podem ser citados o beneficiamento de cereais (Mourad et alii, 1997), o tratamento primário e secundário de efluentes de água e esgoto doméstico (Gnirss et alii, 1996), a drenagem de minas ácidas (Leppinen et alii, 1997), o tratamento de águas residuais provenientes do processamento das indústrias têxteis (Lin e Lo, 1996), de papel (Chen e Horan, 1998), de couro (Ros e Gantar, 1998), gráfica (Naujock et alii, 1992) e carnes (Guerrero et alii, 1998) e o tratamento de resíduos de óleo em processos da área petrolífera (Stefess, 1998).

Neste capítulo serão abordados os principais tópicos relativos à tecnologia de flotação em coluna aplicada ao beneficiamento de minérios. O foco deste estudo será a coluna de flotação conhecida como coluna canadense, patenteada no início da década de 60 por Boutin e Tremblay (Wheeler, 1966; Boutin e Wheeler, 1967). Outros projetos de colunas tais como a Norton-Leeds (Dell e Jenkins, 1976), células Flotaire (Zipperian e Svensson, 1988), célula Jameson (Jameson, 1988) e a “packed bed column” (Yang, 1988), dentre outras, não serão aqui estudados. O método de flotação que será discutido é a flotação em espuma. Tecnologias concorrentes como as de flotação em óleo e flotação pelicular estão atualmente obsoletas em vista de severas limitações de aplicação (Guimarães, 1995). Em função do grau avançado de desenvolvimento alcançado pela tecnologia de flotação em espuma e da obsolescência das demais tecnologias de flotação, a expressão flotação passou a designar exclusivamente flotação em espuma.

8

Capítulo 2:

Flotação em coluna

2.2 Histórico da coluna de flotação Descreve-se a seguir, de forma bem sucinta, o histórico da coluna de flotação canadense.

A coluna de flotação foi patenteada pelos cientistas canadenses P. Boutin e R. Tremblay em 1961 (patentes canadenses 680.576 e 694.547). As primeiras descrições da sua aplicação foram feitas por P. Boutin e D. A. Wheeler na segunda metade da década de 60 (Wheeler, 1966; Boutin e Wheeler, 1967).

O desenvolvimento da tecnologia de coluna foi lento e restrito a unidades piloto nas duas décadas seguintes. Problemas técnicos inviabilizaram a sua utilização em unidades de maior porte. O interesse comercial ressurgiu no ano de 1981, em Les Mines Gaspé, Quebec, Canadá, quando se utilizou a coluna no beneficiamento de molibdênio. Três colunas de flotação substituíram treze estágios compostos por células mecânicas, com resultados metalúrgicos superiores. Estas três colunas foram objeto de diversos estudos cujos resultados se mostraram de grande relevância para o aprimoramento de unidades de grande porte (Dobby, 1984; Yianatos, 1987).

A partir do sucesso da aplicação em Les Mines Gaspé, as colunas de flotação se difundiram rapidamente no Canadá, Austrália, África do Sul e América do Sul, principalmente no Chile e no Brasil. A primeira instalação de grande porte no Brasil foi implantada pela Samarco Mineração S.A., em 1991, utilizando quatro colunas de 3,66m de diâmetro e 13,6m de altura e uma coluna de 2,44m de diâmetro e 11,0m de altura no beneficiamento de minério de ferro. Merecem também destaque as unidades de grande porte para beneficiamento de minério fosfático que foram colocadas em operação pela Arafértil S.A. em 1993.

9

Capítulo 2:

Flotação em coluna

No Brasil, os estudos de flotação em coluna foram iniciados em 1985, no Centro de Desenvolvimento da Tecnologia Nuclear, CDTN, localizado em Belo Horizonte, Minas Gerais. O CDTN dispõe de colunas piloto que vêm sendo utilizadas no desenvolvimento de diversos projetos de pesquisa, principalmente com minérios de bauxita, carvão, ferro, fosfato, fluorita, lítio, ouro, talco e zinco, dentre outros (Aquino et alii, 1992; Oliveira e Peres, 1992; Aquino et alii, 1998).

Atualmente, as colunas de flotação estão sendo empregadas em número expressivo em diversas partes do mundo.

2.3 O processo de flotação 2.3.1 Mecanismo de separação das partículas minerais Flotação é um processo de concentração de minérios onde as partículas, em meio aquoso, são separadas através da adição de reagentes específicos que adsorvem1 seletivamente na sua superfície tornando-as hidrofóbicas ou hidrofílicas. Fazendo-se passar um fluxo de bolhas de ar através da polpa de minério, as partículas hidrofóbicas são coletadas e as hidrofílicas não coletadas permanecem em meio aquoso. Os agregados bolhas-partículas são transportados para a região superior das células de flotação (Gaudin, 1980; Arrunátegui, 1987).

Todos os processos de concentração de minerais são baseados nas diferenças das propriedades dos minerais constituintes (Peres et alii, 1986). O processo de flotação utiliza como principal propriedade diferenciadora as características físico-químicas da superfície das partículas dos diferentes minerais. Através da adição de reagentes específicos aumenta-se ou diminui o

1

Adsorção é um fenômeno no qual átomos, moléculas ou íons são atraídos e retidos na superfície de sólidos ou líquidos com os quais estão em contato, sem a penetração da sua superfície (Gaudin, 1980).

10

Capítulo 2:

Flotação em coluna

grau de hidrofibicidade de uma partícula mineral. Isto determina a capacidade de interação entre as moléculas da partícula e as moléculas da água. Quanto maior for o grau de hidrofobicidade menor será a interação das moléculas das partículas minerais com as moléculas da água e, por conseguinte, maior será a interação com as moléculas do ar.

Outro conceito, também importante dentro do contexto da tecnologia de flotação, é o de hidrofilicidade, que é oposto ao de hidrofobicidade. Quanto maior for o grau de hidrofilicidade das partículas minerais maior será a interação com a água do que com o ar.

2.3.2 Etapas de preparação do minério O minério passa por várias etapas de preparação entre a sua lavra na mina e a introdução na coluna de flotação. As etapas principais, que também estão presentes em vários outros processos de beneficiamento, incluem, seqüencialmente,

a

cominuição,

a

classificação

granulométrica

e

o

condicionamento. A cominuição tem como objetivo a obtenção da liberação2 física adequada dos minerais a serem separados, com uma granulometria adequada ao processo de flotação. Basicamente, a cominuição consiste na redução das dimensões físicas dos blocos ou partículas componentes do minério através da ruptura da coesão interna. A primeira fragmentação do minério ocorre na mina através de explosivos. A partir deste ponto a cominuição é realizada em máquinas, utilizando métodos de britagem e em seguida de moagem (Borges, 1996).

2

Liberação de partículas minerais é um conceito referente a individualização das espécies a separar, em partículas livres. Partículas livres, ou liberadas, são aquelas constituídas de um só mineral e partículas mistas são aquelas constituídas por dois ou mais minerais (Peres et alii, 1986).

11

Capítulo 2:

Flotação em coluna

A etapa de classificação granulométrica tem como objetivo ajustar o tamanho ótimo das partículas minerais a serem alimentadas no processo de flotação. A partir de uma faixa granulométrica mais ampla produzida pela cominuição efetua-se na etapa de classificação a separação das partículas de tamanho mais adequado à flotação. Normalmente, o processo de flotação apresenta maior eficiência na faixa granulométrica entre 20 e 210 micra. Para flotação em coluna pode-se trabalhar com granulometrias de até 5 micra. Dentre os diversos equipamentos utilizados na classificação podem ser citados os classificadores tipo espiral, as peneiras vibratórias e os hidrociclones, além de vários outros.

A etapa final de preparação da polpa de minério é o condicionamento com reagentes químicos. O objetivo do condicionamento é alterar as propriedades químicas das partículas minerais de forma que se estabeleçam as condições químicas propícias ao processo de flotação. Normalmente, o condicionamento é realizado em tanques com mecanismo de agitação, conhecidos como condicionadores, que promovem o contato efetivo entre a polpa e reagentes químicos.

2.3.3 Reagentes químicos utilizados no processo de flotação Os reagentes químicos utilizados na flotação podem ser classificados, segundo suas funções, em (Peres et alii, 1986): • coletores; • modificadores (depressores, reguladores de pH e ativadores); • espumantes; • outros reagentes (dispersantes e floculantes).

12

Capítulo 2:

Flotação em coluna

Esta classificação não é precisa, uma vez que certos reagentes podem ter mais de uma função, como por exemplo, óleos que atuam como coletores e como espumantes.

A hidrofobicidade ou hidrofilicidade das partículas pode ser natural, ou induzida. Os coletores são reagentes que alteram a característica de superfície das partículas minerais, tornando-as hidrofóbicas. Os poucos minerais conhecidos naturalmente hidrofóbicos são a molibdenita, a grafita, e o talco. A interação entre as moléculas dos coletores e a superfície das partículas minerais resulta na formação de uma camada, com característica hidrofóbica, que reveste a superfície das partículas minerais. Uma vez revestidas por essa camada, as partículas passam a se comportar como se fossem hidrofóbicas.

A interação entre coletores e partículas minerais pode ter a sua seletividade3 aumentada através da adição de reagentes conhecidos como modificadores. Estes reagentes modificam as superfícies das partículas minerais ou controlam as características do meio, estabelecendo uma condição otimizada para a flotação.

Os depressores são reagentes modificadores que têm a função de evitar, temporariamente, ou mesmo permanentemente, a ação dos coletores sobre determinados minerais presentes no minério. O mecanismo de atuação dos depressores sobre estas partículas ocorre de forma semelhante ao dos coletores, ou seja, através de interações físicas e/ou químicas. Isto impede a adsorção do coletor sobre esses minerais.

Existe uma faixa estreita de valores de pH para cada mineral onde a ação dos coletores se dá de forma ótima. Os reguladores de pH são substâncias ácidas ou básicas que podem, conforme o tipo de mineral e o efeito desejado, retardar, acelerar ou inibir a ação dos coletores. Em geral, a

3

Seletividade é uma referência à capacidade de separação de partículas com graus diferentes de hidrofobicidade (Finch e Dobby, 1990).

13

Capítulo 2:

Flotação em coluna

flotação é realizada em polpas ligeiramente ácidas ou alcalinas, com pH compreendido entre 4 e 12 (Arrunátegui, 1987).

Existem alguns minerais na natureza que não permitem a adsorção dos coletores. Nestes casos, é necessária a adição de reagentes conhecidos como ativadores, antes da introdução dos coletores.

Na separação das partículas hidrofóbicas e hidrofílicas, faz-se necessário a formação de uma espuma estável. Os espumantes são reagentes responsáveis por estabilizar a interface líquido-gás da bolha de ar, facilitando a adesão das partículas hidrofóbicas. Sem o espumante, existe uma tendência natural de rompimento das bolhas de ar e o conseqüente desprendimento das partículas hidrofóbicas a elas aderidas.

Os dispersantes são reagentes utilizados na dispersão de partículas minerais que muitas vezes se encontram agrupadas, formando “flocos”. A ação dos dispersantes tem como objetivo melhorar a área de contato destas partículas com a água ou com os depressores, e portanto, diminuir a sua possibilidade de flotação.

Os floculantes, também conhecidos como “aglomerantes”, são reagentes que produzem um efeito contrário ao dos dispersantes. Eles são responsáveis por aglutinar partículas muito finas, geralmente inúteis e muitas vezes prejudiciais ao processo de flotação.

2.3.4 Fatores físicos que influenciam o processo de flotação Diversos fatores físicos influenciam a concentração de partículas minerais através das técnicas de flotação. Os de maior destaque, dentre outros, são o tamanho das partículas minerais, o tempo de condicionamento e a temperatura da polpa de minério (Arrunátegui, 1987). É interessante 14

Capítulo 2:

Flotação em coluna

mencionar que até mesmo uma pequena variação das propriedades físicoquímicas da água também pode interferir no processo de flotação. Nestas situações, duas instalações idênticas, beneficiando o mesmo minério em condições aparentemente idênticas, podem apresentar resultados diferentes (Peres et alii, 1986).

O tamanho das partículas minerais a ser obtido pelo processo de moagem, depende do grau de liberação necessário ao processo de flotação. Uma vez que o custo de moagem é elevado, ela tende a ser realizada somente até o ponto onde se consegue uma liberação satisfatória das partículas de interesse do minério. Alcançado este ponto, aumentos subsequentes no grau de moagem passam a ter menor influência no aumento da taxa de recuperação do mineral de interesse. Além disso, uma moagem mais grossa tem como efeito positivo a redução da proporção de partículas muito finas que poderiam produzir lamas4 que dificultariam o processo de flotação. Na flotação, e também em diversos outros métodos de beneficiamento de minérios, partículas menores que um certo tamanho crítico não respondem ao processo de beneficiamento.

Os reagentes químicos utilizados no processo de flotação exigem um tempo mínimo de contato com as partículas de minério para que ocorra a adsorção física e/ou química sobre a superfície das partículas minerais. Este tempo, conhecido como tempo de condicionamento, é variável e depende do tipo de minério, do tamanho das partículas e dos tipos de reagentes utilizados, dentre outros fatores.

Em geral, a temperatura tem o efeito de aumentar a velocidade de reação entre a superfície das partículas minerais e os reagentes químicos utilizados na flotação. Polpas muito frias podem exigir um consumo maior de reagentes, e portanto, aumentar os custos de produção. Contudo, em algumas 4

O termo lamas se refere a substâncias de granulometria tão fina que causam um efeito prejudicial à flotação, principalmente por provocarem um aumento exagerado do consumo de reagentes químicos (Peres et alii, 1986).

15

Capítulo 2:

Flotação em coluna

situações, temperaturas elevadas podem produzir a degradação dos reagentes.

2.4 Características de funcionamento da coluna de flotação O processo de flotação em coluna de partículas minerais é efetuado em meio aquoso e dá origem a dois fluxos distintos de materiais: flotado, constituído pelos agregados formados por bolhas de ar e partículas hidrofóbicas, e não flotado, constituído por partículas hidrofílicas. O flotado flui para o topo da coluna e o não flotado para a base. Normalmente, o flotado é descarregado por transbordo. Quanto ao não flotado, as formas de descarga mais comumente empregadas são por bombeamento ou por efeito da gravidade, com a vazão regulada através de uma válvula.

A flotação é denominada direta quando o mineral de interesse constitui a fração flotada. De maneira oposta, a flotação é denominada inversa quando o mineral de interesse se concentra na fração não flotada.

A Figura 2.1 representa esquematicamente uma coluna de flotação. São observadas na coluna duas seções: • seção de concentração; • seção de limpeza. O funcionamento da coluna pode ser melhor compreendido através da descrição dada a seguir.

16

Capítulo 2:

Flotação em coluna

Figura 2.1: Representação esquemática de uma coluna de flotação.

2.4.1 Seção de concentração A seção de concentração está compreendida entre o ponto de alimentação de ar e a interface polpa-espuma. Nesta seção ocorre o contato efetivo entre as partículas hidrofóbicas sedimentando pela ação da gravidade e as bolhas ascendentes de ar em condições hidrodinâmicas de baixa

17

Capítulo 2:

Flotação em coluna

turbulência. Estas condições provêm um meio hidrodinâmico favorável à adesão entre as partículas hidrofóbicas e as bolhas de ar.

2.4.2 Seção de limpeza A seção de limpeza está compreendida entre a interface polpa-espuma e o transbordo da fração flotada no topo da coluna. Os agregados constituídos de partículas hidrofóbicas e bolhas de ar arrastam uma parcela das partículas hidrofílicas para a seção de limpeza onde encontram o fluxo água de lavagem em contra corrente. As partículas hidrofílicas, hidraulicamente arrastadas para a espuma, são lavadas e retornam para a seção de concentração.

2.5 Parâmetros da flotação em coluna Os principais parâmetros da flotação em coluna são (Oliveira e Aquino, 1992): • fluxo e holdup de ar; • tamanho das bolhas; • fluxo de água de lavagem; • altura da camada de espuma; • tempo médio de residência das partículas minerais; • percentagens de sólido na alimentação da polpa. Esses parâmetros, a exceção da água de lavagem, também afetam a flotação em células mecânicas agitadas. A grande diferença é que nas colunas é possível controlar os três primeiros e nas células mecânicas não.

18

Capítulo 2:

Flotação em coluna

2.5.1 Fluxo e holdup de ar O fluxo de ar é um dos parâmetros da coluna de flotação cujos efeitos são marcantes sobre a recuperação do mineral. O seu valor ótimo depende do tipo de minério, da sua granulometria e do tamanho das bolhas. Baixas vazões de ar acarretam baixas recuperações das partículas devido à ineficiência do contato bolha-partícula e às dificuldades de transporte do agregado bolhapartícula até o transbordo da coluna. Por outro lado, o excesso de ar pode causar turbulência ou formação de espuma na seção de concentração.

O fluxo de ar pode ser expresso em termos da velocidade superficial específica do ar:

Jg =

Qg Ac

, (2.1)

onde Jg é a velocidade superficial específica do ar dada em (cm3/s de ar)/(cm2 de área da coluna), ou simplificadamente, cm/s, Qg é o valor da vazão de ar dada em cm3/s e Ac é a área da seção transversal da coluna dada em cm2. A vantagem da utilização desta representação é poder comparar o fluxo de ar para colunas de diâmetros diferentes.

O holdup do ar, Eg, é definido como a fração volumétrica da seção de concentração ocupada pelo ar injetado na coluna. Esta fração é função da taxa de alimentação de ar e de polpa de minério, do diâmetro de bolhas, da densidade do agregado bolha-partícula e do conteúdo de sólidos na polpa. Matematicamente, o holdup pode ser expresso como

Eg = 1 −

ΔP , ρ polpa gΔL (2.2) 19

Capítulo 2:

Flotação em coluna

onde Eg é o holdup do ar, ΔP é a diferença de pressão entre dois pontos situados na seção de concentração e separados por uma distância ΔL, ρpolpa é o valor da densidade da polpa do minério e g o valor da aceleração da gravidade.

A relação entre Jg e Eg é de grande importância na determinação do regime de funcionamento operacional de uma coluna de flotação. A Figura 2.2 mostra esta relação:

Figura 2.2: Relação entre a velocidade superficial específica do ar e o holdup.

A região linear da curva da Figura 2.2 representa o regime de fluxo conhecido como “bubbly flow”. Nesta região a distribuição de bolhas de ar é homogênea no tamanho e na forma. A região não linear da curva representa o regime de fluxo “churn-turbulente”, que apresenta bolhas de ar de tamanho grande, não uniformes, caracterizando movimento turbulento dentro da coluna.

20

Capítulo 2:

Flotação em coluna

Normalmente, os valores otimizados de recuperação e teor de flotado são obtidos quando se opera no regime “bubbly flow” (Oliveira e Aquino, 1992).

2.5.2 Tamanho das bolhas O ar é injetado na coluna através de um dispositivo conhecido como aerador, responsável pela formação das bolhas. Em essência, os tipos mais simples de aeradores não industriais consistem em um tubo cilíndrico perfurado recoberto por um material poroso, com furos de dimensões bem definidas.

Embora seja normalmente difícil de controlar, o tamanho e a homogeneidade das bolhas é uma das variáveis de maior influência no processo de flotação. O tamanho das bolhas é controlado pela concentração de espumante. Normalmente, um fluxo de bolhas grandes possui área superficial de contato pequena, podendo ser insuficiente para proporcionar a coleta das partículas hidrofóbicas. Bolhas pequenas e de tamanho uniforme podem ser obtidas pelo ajuste das condições operacionais do sistema de geração de bolhas e/ou pela adição de reagentes tensoativos (espumantes) (Moys e Finch, 1988). A ordem de grandeza do tamanho adequado das bolhas está na faixa de 0,6 a 2,0mm de diâmetro.

2.5.3 Fluxo de água de lavagem e bias A água de lavagem, introduzida no topo da seção de limpeza da coluna, tem como função eliminar as partículas hidrofílicas arrastadas pelas bolhas de ar para a camada de espuma. Adicionalmente, ela tem como função substituir a parcela da água de alimentação que se dirige para o flotado e que pode estar contaminada por lamas. Para que esta ação seja efetiva é necessário que o fluxo de água de lavagem seja maior que a parcela do fluxo de água de alimentação que se dirige para o flotado (Moys e Finch, 1988). O fluxo de água 21

Capítulo 2:

Flotação em coluna

descendente resultante da diferença destes dois fluxos é conhecido como “bias positivo”5. Uma das técnicas usadas para inferir o valor do bias leva em consideração o balanço de água, na seção de concentração, entre o fluxo da água de alimentação e o fluxo de água para o não flotado. Contudo, o valor de bias obtido por este método só é válido quando a coluna se encontra em regime estacionário de operação (Peres e Del Villar, 1986). O efeito benéfico produzido pela água de lavagem é o de aumento do teor do flotado.

Os dispositivos utilizados para se introduzir a água de lavagem na coluna são, em geral, bastante simples. Um tipo muito comum se assemelha a um chuveiro e é constituído por um prato perfurado posicionado a uma altura regulável do transbordo da coluna.

2.5.4 Altura da camada de espuma A altura da camada de espuma está diretamente relacionada à seletividade do processo de flotação. A camada de espuma age como um filtro mecânico, retendo de modo eficiente as partículas que ali chegam por efeito de arraste (Peres et alii, 1986). Normalmente, se ela tiver um tamanho menor que o necessário, a recuperação do flotado aumenta e o teor diminui. Por outro lado, se ela tiver um tamanho maior que o necessário, a recuperação do flotado diminui e o teor aumenta (Moys e Finch, 1988). Em estudos realizados com diversos minerais foi observado um aumento significativo no teor do material flotado com o aumento da camada de espuma, sem perda apreciável da recuperação

(Oliveira

e

Aquino,

1992).

Cabe

mencionar

que

este

comportamento nem sempre é válido para todos os tipos de minerais.

Para que as condições operacionais da coluna sejam mantidas, a altura de camada de espuma deve ser ajustada de forma que a interface

5

Por convenção determina-se que o bias com sentido de fluxo na direção do não flotado é caracterizado como positivo.

22

Capítulo 2:

Flotação em coluna

polpa/espuma esteja acima do ponto de alimentação da polpa. Tipicamente, os valores operacionais estão situados na faixa de 0,5 a 1,0 metro, nas colunas pilotos e semi-industriais, e na faixa de 1,0 a 2,0 metros nas colunas industriais.

2.5.5 Tempo médio de residência das partículas minerais Tanto o teor quanto a recuperação do material flotado são diretamente afetados pelo tempo de residência das partículas minerais dentro da coluna (Oliveira e Aquino, 1992). Um tempo de residência pequeno provoca um aumento no teor e uma redução na recuperação do flotado, pois somente partículas com hidrofobicidade suficiente para aderir às bolhas são coletadas.

A alteração da vazão de descarga do não flotado é uma das formas de se modificar o tempo de residência das partículas minerais. Outras alterações podem ser feitas no conteúdo de sólidos, na taxa de alimentação da polpa e na vazão de água de lavagem.

2.5.6 Percentagens de sólidos na alimentação da polpa A coluna de flotação pode operar em uma faixa relativamente ampla de percentagem de sólidos na alimentação da polpa, da ordem de 15 a 50%, sem perdas significativas no teor e na recuperação do material flotado. Entretanto, deve ser avaliada a sua influência sobre o tempo de residência das partículas minerais e sobre a capacidade de carregamento da coluna, Ca (Oliveira e Aquino, 1992). A capacidade de carregamento pode ser definida como a máxima taxa na qual sólidos presentes no material flotado podem ser removidos da coluna, expresso em termos de massa por unidade de tempo por unidade de área da seção transversal da coluna (g/min/cm2).

23

Capítulo 2:

Flotação em coluna

2.6 Medição de variáveis da flotação em coluna Os resultados metalúrgicos do processo de flotação estão diretamente relacionados ao controle do teor e da recuperação do mineral flotado. Contudo, a medição “on-line” destas variáveis pode se tornar inviabilizada em função do alto custo dos equipamentos, ou ainda, em função do nível de imprecisão nas medições. Em decorrência destas dificuldades, normalmente são utilizadas outras variáveis como forma alternativa de monitorar e controlar a qualidade e a eficiência do processo de flotação. Algumas destas variáveis são a altura da camada de espuma, o holdup do ar e o bias.

2.6.1 Medição da altura da camada de espuma Basicamente, existem quatro maneiras de se medir a altura da camada de espuma. A maneira mais freqüentemente utilizada emprega medidores de pressão. As outras empregam flutuadores, sensores de condutividade e sensores de temperatura. Os princípios básicos das técnicas de medição por condutividade e por temperatura também são aplicados na medição do holdup do ar e do bias (Bergh e Yianatos, 1991; Del Villar et alii, 1994; Peres e Del Villar, 1994).

A medição da altura da camada de espuma por meio de medidores de pressão pode ser feita com um, dois ou três instrumentos, sendo a medição com três instrumentos a mais precisa dentre elas (um instrumento fica posicionado na seção de limpeza em contato com a espuma e os outros dois na seção de concentração em contato com a polpa). A medição com apenas um instrumento, posicionado na seção de concentração, fica sujeita a erros devido à necessidade de se estimar tanto o valor da densidade de polpa quanto o valor da densidade de espuma, uma vez que estas densidades não são medidas. A medição com dois instrumentos fica sujeita a erros de estimação do valor da densidade de espuma (a densidade de polpa é 24

Capítulo 2:

Flotação em coluna

indiretamente medida pelos dois medidores de pressão posicionados na seção de concentração). As outras fontes de erros, comuns às medições tanto com um, dois ou três instrumentos, são decorrentes das variações da densidade de polpa e de espuma devido a não homogeneidade da densidade do minério dentro da coluna e também da não homogeneidade na distribuição das bolhas de ar (Del Villar et alii, 1994).

2.6.2 Medição do holdup do ar A técnica de medição do holdup do ar mais freqüentemente utilizada emprega dois medidores de pressão posicionados na seção de concentração. Uma das vantagens desta técnica é a possibilidade de também se medir a altura da camada de espuma, conforme descrito na subseção anterior. Contudo, esta medição também está sujeita às mesmas fontes de erros da medição de altura de camada de espuma, ou seja, não homogeneidade da densidade do minério e da distribuição das bolhas de ar dentro da coluna. Contribui também de forma significativa para a imprecisão na medição do holdup do ar a variação no tamanho das bolhas de ar.

2.6.3 Medição do bias Entre o bias, o holdup do ar e a altura da camada de espuma, o bias é a variável que apresenta a maior dificuldade na medição. Uma das técnicas de medição, ainda em desenvolvimento, explora a existência de uma relação entre o bias e o perfil de condutividade elétrica ao longo das fases de polpa e espuma dentro da coluna (Peres e Del Villar, 1994). Contudo, as características não lineares desta relação têm impedido a obtenção de um modelo matemático padrão que pudesse viabilizar a medição contínua do bias. Uma das alternativas encontradas para solucionar este problema foi o uso da técnica de redes neurais artificiais que manipulam as informações obtidas das medições 25

Capítulo 2:

Flotação em coluna

de sensores de condutividade em contato com a polpa e a espuma da coluna. Esta solução enfrenta sérias limitações práticas quando implementada em colunas industriais, devido à necessidade de submeter o sistema de medição a testes de calibração em faixas de operação muito diversas6. Informações detalhadas sobre o assunto redes neurais artificiais podem ser encontradas em (Zurada, 1992).

2.7 Estratégias de controle aplicadas em colunas de flotação Como todo processo controlado, a flotação em coluna também está sujeita a variações indesejáveis de parâmetros que não são normalmente medidos mas que podem prejudicar o produto final do processo. As variações de maior influência estão associadas a parâmetros da polpa de alimentação. Elas ocorrem, principalmente, na percentagem de sólidos, no tamanho, composição mineralógica e flotabilidade das partículas minerais (Ynchausti et alii, 1988). Um sistema de controle de colunas de flotação eficiente deve ser capaz de manipular outras variáveis do processo de forma que o impacto destas pertubações seja minimizado.

Quando o objetivo da estratégia de controle se restringe a estabilizar a coluna de flotação dentro dos seus limites operacionais, pode-se atribuir ao sistema de controle somente a tarefa de controlar a altura da camada de espuma. Contudo, para se alcançar resultados metalúrgicos razoáveis é preciso que a estratégia de controle também leve em consideração a manipulação do holdup do ar e a manipulação do bias (Bergh e Yianatos, 1991). Estas estratégias de controle, conhecidas com controle estabilizante e controle otimizante, serão abordadas, de forma sucinta, a seguir.

6

No jargão da área de redes neurais artificiais, estes testes de calibração correspondem ao “treinamento” da rede neural utilizada na aplicação em questão.

26

Capítulo 2:

Flotação em coluna

2.7.1 Controle estabilizante de colunas de flotação Uma das formas tipicamente empregadas no controle estabilizante da coluna é controlar a altura da camada de espuma através da regulação automática da vazão do não flotado, mantendo-se as vazões de ar e de água de lavagem constantes e nos seus valores otimizados. A principal vantagem desta estratégia é a simplicidade do esquema de controle. Contudo, o desempenho do sistema de controle é sensivelmente afetado por variações na percentagem de sólidos e líquidos da polpa de alimentação. Esta estratégia de controle é atualmente empregada na coluna de 2” do CDTN (Aquino et alii, 1998).

Outra estratégia de controle estabilizante, também muito utilizada, emprega duas malhas de controle. Na primeira malha controla-se a altura da camada de espuma através da regulação automática da vazão de água de lavagem. Na segunda malha, controla-se a vazão do não flotado através da regulação, automática ou manual, da vazão de alimentação de polpa de forma que seja mantida uma pequena diferença entre as duas vazões. O principal efeito desta estratégia de controle sobre o regime operacional da coluna de flotação é a variação lenta da altura da camada de espuma em resposta aos distúrbios gerados pela variação dos parâmetros da polpa de alimentação.

2.7.2 Controle otimizante de colunas de flotação Em várias aplicações, o controle otimizante de colunas de flotação se baseia em modelos matemáticos ou em regras heurísticas que relacionam objetivos secundários do esquema de controle (altura da camada de espuma, holdup do ar e bias) com objetivos primários (teor e recuperação). Contudo, a grande interação entre as variáveis de processo e a presença de não linearidades agudas na relação entre elas são alguns dos principais fatores

27

Capítulo 2:

Flotação em coluna

responsáveis pela dificuldade no planejamento de uma estratégia de controle otimizante (Bergh e Acuña, 1994).

Várias arquiteturas de controle otimizante têm sido empregadas com sucesso. Alguns exemplos são o controle preditivo (Pu et alii, 1991), o controle baseado em sistemas especialistas (Oblad e Herbst, 1990) e o controle heurístico baseado em lógica fuzzy (Hirajima et alii, 1991), dentre outros.

2.8 Modelagem do processo de flotação em coluna Os estudos de modelagem do processo de flotação em coluna têm se concentrado mais na linha de pesquisa da modelagem empírica do que na linha de modelagem a partir da teoria sobre o assunto (Tuteja et alii, 1994). As principais justificativas para tal fato são a grande complexidade do processo de flotação e a carência de informações a respeito dos mecanismos que o governam (Villeneuve et alii, 1995).

Alguns pesquisadores da área de flotação em coluna têm classificado os modelos disponíveis em cinéticos e não cinéticos (Tuteja et alii, 1994). Conforme o próprio nome sugere, os modelos cinéticos são baseados na cinética da flotação, ou seja, em parâmetros cujas grandezas estão relacionadas ao movimento dinâmico dos sólidos, líquidos e gases envolvidos no processo. Uma grande parte destes modelos tem como variável de saída a recuperação do mineral de interesse (Finch e Dobby, 1990; Tuteja et alii, 1994; Villeneuve et alii, 1995). Por exclusão, os modelos não cinéticos são todos aqueles que não são explicitamente baseados na cinética da flotação. Eles são baseados nas relações causa-efeito entre as variáveis de entrada e saída do processo (Oblad e Herbst, 1990; Bergh and Yianatos, 1993; Tuteja et alii, 1994; Bergh and Yianatos, 1995). Os modelos obtidos na presente dissertação podem ser incluídos na classe de modelos não cinéticos.

28

Capítulo 2:

2.9

Flotação em coluna

A coluna de flotação de 2” do CDTN A planta piloto utilizada para testes neste trabalho foi uma coluna de

flotação instalada na Usina Piloto de Tratamento de Minérios da Supervisão de Processos do CDTN.

A coluna, construída em material acrílico transparente, possui 2” de diâmetro e altura que pode variar de forma modular entre 3,60m e 7,20m. A montagem está fixada em uma estrutura metálica que permite acesso às partes principais da coluna: alimentação de polpa, alimentação de ar, alimentação de água de lavagem, descarga do flotado e descarga do não flotado. A Figura 2.3 mostra um fluxograma da coluna. Nas Figuras 2.4, 2.5 e 2.6 são mostradas fotos da coluna. As variáveis de processo medidas através da instrumentação da coluna são altura da camada de espuma, holdup do ar, vazão de água de lavagem e vazão de ar, sendo que destas, somente o holdup do ar não é controlado pelo sistema de controle automático da coluna. Atualmente, a coluna de 2” do CDTN não dispõe de instrumentação para medição do bias.

29

ALIM E NTAÇ ÃO DE MINÉ RIO

ÁG UA F V1

M

F T1 RE G ULADO R D E pH ÁG UA DE LAVAG E M DEPR ESSO R M

C O LETO R x

e

x

E SPUM AN TE

F LO TADO

M

ÁG UA

PT1 PT1

M

CD 600

Capitulo 2:

LEG E N DA D E IN STRUM EN TAÇ ÃO : F T1 -VÁLVULA DE C O NTRO LE DE VAZÃO DE ÁG UA DE LAVAGE M F V1 -M E DIDO R/TRANSM ISSO R DE VAZÃO DE ÁGUA DE LAVAGE M PT1 -M EDIDO R/TRANSM ISSO R DA PRE SSÃO SUPERIO R DA SEC Ç ÃO DE C O NC E NTRAÇ ÃO PT2 -M EDIDO R/TRANSM ISSO R DA PRE SSÃO INF ERIO R DA SEC Ç ÃO DE C O NC E NTRAÇ ÃO F T2 -VÁLVULA DE C O NTRO LE DE VAZÃO DE ALIM E NTAÇ ÃO DE AR F V2 -M E DIDO R/TRANSM ISSO R DE VAZÃO DE ALIM ENTAÇ ÃO DE AR XC 1 -C O NVE RSO R DE F RE Q UENC IA DA BO M BA DE NÃO F LOTADO

F V2 F T2 AR

NÃO F LOTAD O

30

F IGURA 2 .3 : F LUXO G RAM A D A C O LUN A D E FLOTAÇ ÃO D E 2 " D O C D TN

Flotação em coluna

XC 1

Capítulo 2:

Flotação em coluna

Figura 2.4: Vista da coluna de flotação de 2” do CDTN. 31

Capítulo 2:

Flotação em coluna

Figura 2.5: Vista da instrumentação da coluna de flotação de 2” do CDTN. São mostrados os circuitos de alimentação de água de lavagem e a entrada de polpa de minério

32

Capítulo 2:

Flotação em coluna

Figura 2.6: Vista da instrumentação da coluna de flotação de 2” do CDTN. São mostrados os circuitos de alimentação de ar e descarga de não flotado.

2.9.1 Sistema de controle e monitoração da coluna O controle automático das variáveis de processo da coluna é gerenciado por um controlador de processos modelo CD600, fabricado pela SMAR™. O CD600 é um equipamento eletrônico, microprocessado, com lógica de controle programável. O interfaceamento operacional entre o usuário e o controlador pode ser feito por meio do seu painel frontal ou através de um microcomputador do tipo PC conectado ao controlador.

33

Capítulo 2:

Flotação em coluna

Atualmente, o CD600 está configurado para controlar a altura de camada da espuma, a vazão de ar e a vazão de água de lavagem da coluna utilizando algoritmos do tipo PI (ação de controle proporcional mais integral) implementados por meio de blocos lógicos internos do controlador. A comunicação entre o CD600 e a instrumentação de medição e controle da coluna (transmissores e elementos finais de controle) é feita via sinal de corrente, padrão 4-20 mA.

As medições de vazão de água de lavagem e de vazão de ar são realizadas pelos transmissores de vazão FT1 e FT2. Os valores de altura da camada de espuma e de holdup do ar são calculados a partir dos sinais de medição dos transmissores de pressão PT1 e PT2.

2.9.2 Alimentação de polpa de minério Na Figura 2.3 pode ser observado um arranjo de condicionadores tipicamente usado na preparação da polpa de minério. Nos condicionadores é feita a adição e mistura de água e reagentes químicos (coletores, depressores, espumantes, reguladores de pH, etc) ao minério com a granulometria ajustada para o processo de flotação. A polpa condicionada é alimentada na coluna através de uma bomba peristáltica com sistema mecânico de redução da rotação do eixo do motor. O acionamento elétrico do motor da bomba é feito através de um conversor de freqüência, permitindo o ajuste de vazão de polpa em função do ajuste de velocidade de rotação do motor. Atualmente, a coluna de flotação do CDTN não dispõe de instrumentação para medição contínua da vazão de polpa de minério alimentada na coluna. Como alternativa, efetua-se, em intervalos regulares durante a operação, a monitoração do nível de polpa do último tanque de condicionamento.

34

Capítulo 2:

Flotação em coluna

2.9.3 Alimentação de ar O ar é injetado na coluna através de um aerador confeccionado no CDTN. Este dispositivo é constituído de um tubo de PVC de 32mm de diâmetro e 118mm de comprimento, revestido com um material sintético elástico de 2mm de espessura. A parte superior do tubo é vedada e a parte inferior possui rosca para fixação na base da coluna. O ar entra pela parte inferior e sai pela superfície lateral do aerador através de microfuros. O suprimento de ar é obtido a partir do sistema central de fornecimento de ar do CDTN. Na Usina de Tratamento de Minérios o fluxo de ar passa por um dispositivo de regulação de pressão e eliminação de contaminações por óleo ou partículas sólidas provenientes do compressor do sistema central.

A medição da vazão da linha de ar pode ser feita através de um rotâmetro (indicação local de vazão via escala graduada) ou através de um medidor de vazão do tipo placa de orifício com compensação de pressão e temperatura (indicação remota de vazão via sinal de corrente enviado para o CD600). O elemento final de controle de vazão é uma válvula pneumática (comando remoto enviado pelo CD600). A lógica da malha de controle não leva em consideração a interação com as outras variáveis do processo (como por exemplo, vazão de água e altura da camada de espuma)

2.9.4 Alimentação de água de lavagem O dispositivo de introdução da água de lavagem na coluna, bastante simples, é constituído de um tubo de 8mm de diâmetro conjugado com um mecanismo de fixação do tubo e ajuste da posição de saída de água relativa ao transbordo da coluna. A água é suprida a partir de um reservatório de 1000 litros localizado na parte superior do galpão da Usina de Tratamento de Minérios.

35

Capítulo 2:

Flotação em coluna

Assim como na linha de ar, a instrumentação instalada na coluna também permite a medição e o controle de vazão de água de lavagem. A medição da vazão pode ser feita através de um rotâmetro (indicação local de vazão via escala graduada) ou de um medidor de vazão do tipo eletromagnético (indicação local de vazão via display alfanumérico e remota via sinal de corrente enviado para o CD600). O elemento final de controle é uma válvula pneumática (comando remoto enviado pelo CD600). A lógica da malha de controle também não leva em consideração a interação com as outras variáveis do processo.

2.9.5 Descarga de flotado e de não flotado Na descarga de flotado não é utilizado nenhum equipamento. O material que transborda para fora da coluna é canalizado para um tubo flexível e flui, por gravidade, para um tanque posicionado ao nível da base da coluna.

O não flotado é descarregado da coluna através de uma bomba peristáltica com sistema mecânico de redução da rotação do eixo do motor e acionamento elétrico através de um conversor de freqüência. Através do controle da descarga do não flotado é feito o controle da altura da camada de espuma da coluna. Um sinal de corrente é enviado do CD600 para o conversor de freqüência da bomba de não flotado de forma a regular a altura da camada de espuma nos valores estabelecidos durante a operação da coluna. Além do controlador, a instrumentação envolvida nesta malha de controle é constituída por dois transmissores de pressão do tipo célula capacitiva, instalados na seção de concentração da coluna, que possibilitam a medição da altura da camada de espuma e do holdup do ar.

36

Capítulo 2:

Flotação em coluna

2.10 Considerações finais Neste capítulo foram abordados os principais tópicos relativos à tecnologia de flotação em coluna aplicada ao beneficiamento de minérios. O foco do estudo foi a coluna “canadense”, patenteada em 1961 por Boutin e Tremblay. No Brasil, os estudos da tecnologia de flotação em coluna se iniciaram em 1985, no Centro de Desenvolvimento da Tecnologia Nuclear, CDTN. Na flotação, a principal propriedade explorada para separar as partículas de interesse no minério são as diferenças nas características físico-químicas da superfície das partículas. As características hidrofóbicas das partículas minerais são seletivamente alteradas através de reagentes químicos que modificam o grau de interação com as moléculas de ar e de água presentes no meio.

Antes de ser introduzido na máquina de flotação, o minério passa por um processo de preparação físico-química para responder de forma eficiente ao processo de concentração. As etapas principais de preparação são a cominuição, a classificação granulométrica e o condicionamento com reagentes químicos.

A flotação em coluna é realizada em meio aquoso e divide as partículas minerais em dois fluxos, conhecidos como flotado e não flotado. Na seção de concentração, ocorre a adesão das partículas hidrofóbicas ao ar. Na seção de limpeza da coluna, partículas hidrofílicas que foram arrastadas por bolhas de ar são forçadas pela água de lavagem a retornarem para a seção de concentração.

A flotação é influenciada por diversos fatores físicos. Os de maior destaque são o tamanho das partículas minerais, o tempo de condicionamento, a temperatura e até mesmo as características físico-químicas da água. Quando a flotação é realizada em coluna somam-se a estes fatores diversos outros . Os 37

Capítulo 2:

Flotação em coluna

principais são o fluxo e o holdup do ar, o tamanho das bolhas, o fluxo de água de lavagem e bias, a altura da camada de espuma, o tempo médio de residência das partículas e a percentagem de sólidos na alimentação de polpa.

As variáveis normalmente utilizadas na monitoração e controle da qualidade e eficiência do processo de flotação são a altura da camada de espuma, o holdup do ar e o bias. As variáveis teor e recuperação do mineral flotado apresentam restrições técnicas e econômicas na sua medição “on line”.

38

Capítulo 3 Identificação de sistemas não lineares

3.1 Introdução Identificação de sistemas é uma das técnicas aplicadas na modelagem de sistemas dinâmicos quando o conhecimento prévio sobre o sistema a ser modelado é insuficiente ou não está disponível. Apresenta-se, também, como uma alternativa menos dispendiosa de tempo na modelagem de sistemas complexos, em comparação às técnicas de modelagem pela física do processo. As técnicas de identificação de sistemas utilizam procedimentos de natureza essencialmente numérica que derivam o modelo a partir de um conjunto de dados gerados por sinais coletados do sistema (Norton, 1986; Ljung, 1987).

Os primeiros estudos de modelagem de sistemas dinâmicos, utilizando métodos de identificação, foram aplicados a sistemas linearizados1 devido a limitações teóricas e computacionais vigentes na época (Norton, 1986; Ljung, 1987). Atualmente, estas dificuldades têm sido superadas, tendo surgido um grande número de trabalhos teóricos e práticos aplicados na área de identificação de sistemas não lineares (Billings e Voon, 1984; Kortmann e Unbehauen, 1988; Billings et alii, 1989; Chen et alii, 1989; Çinar, 1995; Sjoberg, 1997). No Brasil, o interesse pela identificação de sistemas não lineares tem se manifestado através de um significativo número de 1

Os sistemas dinâmicos reais são não lineares. Normalmente, a descrição do comportamento dinâmico de sistemas reais através de modelos lineares é limitada às proximidades do ponto de operação para o qual o modelo foi derivado.

(continua na próxima página) 39

Capítulo 3:

Identificação de sistemas não lineares

dissertações recentes (Rodrigues, 1996; Jácome, 1996; Corrêa, 1997; Barros, 1997; Jerônimo, 1998).

O objetivo deste capítulo é abordar os principais tópicos relativos aos procedimentos utilizados na identificação de sistemas não lineares, revisando os principais conceitos relativos a este assunto.

3.2 Identificação de sistemas O problema de identificação de sistemas pode ser dividido nas seguintes etapas principais (Ljung, 1987; Bosch e Klauw, 1994): • experimentação do sistema e aquisição dos dados; • detecção de não linearidades nos dados; • escolha e detecção da estrutura de representação do modelo; • estimação de parâmetros do modelo; • validação do modelo identificado. A metodologia de abordagem do problema da identificação de sistemas, segundo a divisão em etapas descrita acima, é válida para a derivação de modelos lineares e não lineares. Ela pode ser aplicada na identificação de sistemas com entrada única e saída única (single input single output, SISO) ou sistemas com múltiplas entradas e múltiplas saídas (multi input multi output, MIMO).

Nas seções seguintes são descritos os procedimentos relativos a cada uma das etapas do problema da identificação de sistemas. Com o intuito de facilitar a compreensão deste assunto, será dado maior enfoque à aplicação das técnicas de identificação de sistemas SISO, devido à sua simplicidade em

40

Capítulo 3:

Identificação de sistemas não lineares

relação aos sistemas MIMO. No próximo capítulo as discussões serão estendidas aos sistemas MIMO, utilizando a discussão do presente capítulo.

3.2.1 Experimentação do sistema e aquisição dos dados Experimentação do sistema e aquisição de dados são procedimentos simultâneos de aplicação de sinais de teste nas entradas do sistema e coleta dos sinais de saída. Estes sinais de entrada e saída formam um conjunto de dados do qual serão retiradas as informações utilizadas na modelagem do sistema. Normalmente, a capacidade dos dados de conterem informação dinâmica do sistema está condicionada à execução bem planejada desta etapa.

3.2.1.1 Sinais de teste

Os sinais de teste mais empregados nos métodos de identificação determinística e estocástica são o degrau, senóides, os sinais binários pseudoaleatórios (pseudo random binary signal, PRBS), ruído branco gaussiano, dentre outros, sendo os sinais do tipo PRBS os mais freqüentemente utilizados na derivação de modelos lineares. Contudo, foi argumentado que o uso deste tipo de sinal de teste tem-se mostrado inadequado na derivação de modelos não lineares por não produzir uma excitação persistente da entrada sobre toda a faixa de não linearidades do sistema (Billings e Fadzil, 1985).

No planejamento dos testes do sistema devem ser selecionados sinais que possuam um espectro de freqüências que excitem todas as dinâmicas de interesse na modelagem do sistema (Doebelin, 1980). A desconsideração desta característica chave pode conduzir a modelos que se ajustem bem aos dados mas com pequena capacidade de predição (Çinar, 1995).

41

Capítulo 3:

Identificação de sistemas não lineares

Outra importante consideração em relação às características dos sinais de teste refere-se ao projeto do perfil de amplitude. Conforme relatado em (Aguirre e Billings, 1995a), sinais de teste com o espectro de freqüências virtualmente idênticos, mas de amplitudes diferentes, podem apresentar respostas diferentes à excitação quando aplicados a sistemas não lineares.

3.2.1.2 Seleção do período de amostragem para a aquisição de dados

Na execução do procedimento de aquisição de dados deve-se selecionar criteriosamente o período de amostragem, Tss, de forma a proporcionar um bom nível de qualidade no processo de captação das informações sobre o sistema. Este objetivo pode ser alcançado evitando-se a sub-amostragem dos sinais. A escolha de um valor de Tss muito alto pode conduzir à perda de informação se a dinâmica do sistema for rápida. Para que os sinais coletados sejam satisfatoriamente reconstruídos, deve-se escolher uma freqüência de amostragem 1/Tss que evite a presença de componentes com freqüências acima da freqüência de Nyquist, 1/(2Tss) (Bosch e Klauw, 1994).

3.2.1.3 Seleção do período de amostragem para manipulação dos dados coletados

Tendo sido realizada a aquisição de dados do sistema, deve-se empreender um ajuste do período de amostragem com o objetivo de se evitar a manipulação tanto de dados sub-amostrados quanto de dados sobreamostrados. A manipulação de dados sobre-amostrados pode gerar problemas de mau condicionamento numérico nas etapas seguintes da identificação. Caso ela seja constatada, deve-se realizar a dizimação dos dados coletados. O método de ajuste do período de amostragem adotado neste trabalho foi proposto por Aguirre (1995), sendo baseado em funções de autocorrelação linear e não linear. A descrição a seguir foi extraída de Barros (1997).

42

Capítulo 3:

Identificação de sistemas não lineares

Funções de autocorrelação são funções que medem o “grau de similaridade” entre o sinal original e uma versão do sinal atrasada (Rosenstein et alii,.1994). Elas são definidas para o caso contínuo e sistemas ergódicos como

Φ yy = E{y (t ) y (t − τ )} =

+∞

∫ y(t ) y(t − τ )dt ,

−∞

(3.1) onde E{•} refere-se à esperança matemática e τ à variável responsável pelos atrasos entre a função original e a função atrasada. Para o caso discreto e ergódico, a função de autocorrelação pode ser definida como

Φ yy [n] = E{y[m + n]y[m]} =

+∞

∑ y[m + n]y[m] .

m = −∞

(3.2)

Um gráfico típico de uma função de autocorrelação apresenta o seu máximo para um atraso igual a zero.

Sendo Tss o período de amostragem original dos dados coletados, calcula-se primeiramente as funções de autocorrelação linear e não linear do processo y(t): Φ yy = E{y (t ) y (t − τ )} (3.3) e

{(

{

})(

{

})}

Φ y 2 , y 2, (τ ) = E y 2 (t ) − E y 2 (t ) y 2 (t − τ ) − E y 2 (t ) . (3.4) Em seguida, escolhe-se o menor entre τ y e τ y 2 , , ou seja 43

Capítulo 3:

{

Identificação de sistemas não lineares

}

τ m = min τ y ,τ y 2 , , (3.5) onde τ y e τ y 2 , correspondem aos primeiros mínimos observados nas funções de autocorrelação linear e não linear. O valor de τ m multiplicado por Tss determina uma faixa de valores desejáveis para a escolha do período de amostragem (Aguirre, 1995):

τ m × Tss τ ×T ≤ Ts ≤ m ss , 20 10 (3.6)

que em alguns casos pode ser relaxada em seu limite superior para inferior para

τ m × Tss e 5

τ m × Tss . Segundo o método, se Tss estiver dentro do intervalo 25

proposto na equação 3.6, então os dados coletados originalmente podem ser manipulados sem alterar o tempo de amostragem. Caso Ts <

τ m × Tss , os dados 20

originais devem ser dizimados a fim de satisfazer 3.6.

3.2.1.4 Ruído nos dados

Os efeitos do ruído nos dados coletados do sistema podem ser reduzidos através de técnicas de processamento digital de sinais. Algumas destas técnicas implementam a filtragem digital dos dados utilizando algoritmos computacionais. Basicamente, estes algoritmos realizam operações aritméticas sobre os dados segundo uma função estabelecida para o tipo de filtragem que se deseja obter. Maiores informações sobre este assunto podem ser encontradas em (Johnson, 1989; Stearns e Hush, 1990).

44

Capítulo 3:

Identificação de sistemas não lineares

3.2.2 Detecção de não linearidades O comportamento dinâmico de um sistema é adequadamente descrito por modelos lineares quando as dinâmicas de interesse na modelagem estão restritas a uma região linear do sistema. Em alguns casos, os modelos lineares também se mostram eficientes na tarefa da modelagem quando as não linearidades presentes nas dinâmicas do sistema não são significativas. Normalmente, em todas as outras situações de modelagem de sistemas tornase vantajoso o uso de modelos não lineares.

Na execução dos testes de não linearidades avalia-se o comportamento não linear reproduzido pelas saídas do sistema em resposta à excitação das entradas por sinais de teste especificamente projetados. Uma das principais propriedades destes sinais de teste é possuírem a mesma faixa de amplitude dos sinais utilizados na operação do sistema (Billings e Voon, 1983; Billings e Voon, 1986).

Em situações onde não é possível a experimentação do sistema para a detecção de não linearidades, pode-se realizar este teste sobre um conjunto de dados pré-coletados do sistema, contanto que as propriedades básicas dos sinais de entrada proveniente do conjunto de dados satisfaçam os requisitos básicos exigidos pelo teste.

Alguns dos algoritmos utilizados na detecção de não linearidades em sistemas SISO são (Billings e Voon, 1983; Haber, 1985): • teste no domínio do tempo; • método da autocorrelação de ordem elevada; • método da correlação-cruzada não linear; • teste em estado estacionário; • teste do valor médio do sinal de saída; 45

Capítulo 3:

Identificação de sistemas não lineares

• método da freqüência; • método da densidade espectral linear; • método da correlação linear; • método da dispersão. Segundo o relato de simulações com os testes de detecção de não linearidades citados acima (Haber, 1985), os três primeiros (teste no domínio do tempo, método da autocorrelação de ordem elevada e o método da correlação-cruzada não linear) apresentaram desempenho superior aos demais.

No teste de detecção de não linearidades utilizando o método da autocorrelação de ordem elevada, o sistema é excitado com um sinal de teste u(t)+b, onde b≠0, os momentos de terceira ordem de u(t) são nulos e todos os momentos de ordem par existem2. Calcula-se então, a seguinte função de autocorrelação: Φ y , y 2, (τ ) = E{( y (t − τ ) − y )( y (t ) − y ) 2 } = 0 ∀τ . (3.7)

Para um conjunto de dados de comprimento N, define-se um intervalo de confiança de 95%, dado por ± 1,96 /

N . Se as dinâmicas presentes nos

dados forem lineares ou suavemente não lineares, a função de autocorrelação permanecerá dentro do intervalo de confiança com 95% de probabilidade. Qualquer correlação significativa será indicada por um ou mais pontos posicionados fora do intervalo de confiança de 95%, indicando portanto, a presença de não linearidades significativas nos dados utilizados no teste (Billings e Voon,1983; Billings e Voon,1986). 2

Alguns dos sinais que satisfazem estas propriedades são as senóides, sinais gaussianos e os do tipo PRBS (Billings e Voon, 1983; Billings e Voon, 1986).

46

Capítulo 3:

Identificação de sistemas não lineares

3.2.3 Escolha da estrutura do modelo Um modelo matemático de um sistema é um análogo matemático das dinâmicas do sistema. A representação matemática usada na modelagem de um sistema pode assumir formas variadas dependendo do tipo e da quantidade de informação disponível para descrever o seu comportamento. Na tentativa de descrever satisfatoriamente os regimes dinâmicos não lineares de um sistema, as estruturas do modelo podem se tornar demasiadamente complexas e tornar a sua manipulação posterior difícil ou mesmo inviável.

Algumas das representações possíveis de serem utilizadas na modelagem de sistemas não lineares são (Çinar, 1995): • séries de Volterra; • séries de Wiener; • redes neuronais; • funções racionais; • funções lineares por partes; • modelos estruturados por blocos; • modelos polinomiais. Até o presente momento nenhuma representação em particular pode ser considerada como “a melhor” para qualquer aplicação, e o problema de encontrar uma boa representação é normalmente um problema de tentativa e erro (Aguirre, 1996).

As séries de Volterra foram uma das primeiras representações utilizadas na modelagem de sistemas não lineares. Uma das dificuldades relacionadas à sua utilização é a enorme quantidade de parâmetros necessária para aproximar não linearidades simples (Billings, 1980). 47

Capítulo 3:

Identificação de sistemas não lineares

Neste trabalho, serão utilizados os modelos polinomiais não lineares auto-regressivos com média móvel e entrada exógena (nonlinear autoregressive moving average with exogenous inputs, NARMAX). A estrutura de um modelo NARMAX, com entrada única e saída única, é dada por (Leontaritis e Billings, 1985): y( t ) = F l [ y ( t − 1), y ( t − 2 ),..., y ( t − n y ), u( t − 1), u( t − 2 ),..., u( t − nu ), e( t − 1), e( t − 2 ),... e( t − ne )] + e( t ) , (3.8)

onde F é uma função não linear qualquer; y(t) e u(t) são respectivamente o sinal de saída e o sinal de entrada do sistema; e(t) modela termos de ruído e incertezas do modelo; ny, nu e ne são, respectivamente, os atrasos máximos dos termos em y, u e e. Em modelos polinomiais, l representa o grau de F.

Geralmente, a forma não linear de F não é conhecida. Contudo, em alguns casos, ela pode ser arbitrariamente bem aproximada por funções polinomiais. A expansão de F em um polinômio de grau l resulta em:

y (t ) = θ

0

+

n

∑θ i1 = 1

... +

n



i1 = 1

n

i1

...

x i1 ( t ) + ∑

i1 = 1

∑θ

il = il − 1

i 1 .... i l

n

∑θ

i 2 = i1

i1 i 2

x i1 ( t ) x i 2 ( t ) + ...

x i1 ( t )... x i l ( t ) + e ( t ) ,

(3.9) onde n = ny + nu + ne, os θs são os coeficientes escalares do modelo a serem estimados e x(t) representam os termos em y, u, e e.

As formas polinomiais têm se mostrado adequadas para quantificar e modelar fenômenos complexos desde que a estrutura do modelo seja

48

Capítulo 3:

Identificação de sistemas não lineares

apropriada (Kortmann et alii, 1988; Noshiro et alii, 1993; Jang e Kim, 1994; Aguirre e Billings, 1995b). Destacam-se também as seguintes vantagens: • os modelos polinomiais são globais e conseqüentemente o particionamento dos dados não é necessário3; • o comprimento de dados requerido para a derivação do modelo é relativamente pequeno (500 pontos ou menos); • os modelos podem ser obtidos a partir de dados com nível moderado de ruído; • facilidade de simulação e análise; • as estruturas do modelo identificado são simples, tornando relativamente fácil a interpretação analítica de várias propriedades dinâmicas do modelo; • os modelos polinomiais NARMAX são lineares nos parâmetros, o que torna possível o uso de um grande número de algoritmos de estimação de parâmetros utilizados na derivação de modelos lineares.

Uma das principais limitações do uso de modelos NARMAX refere-se à modelagem de sistemas com alto nível de ruído. O ruído presente nos dados pode comprometer o desempenho dos algoritmos de estimação se os dados forem caóticos, fazendo-se necessário o uso de técnicas de pré-filtragem dos dados antes da execução do procedimento de identificação (Aguirre et alii, 1996). Outra limitação que diz respeito ao uso de modelos NARMAX, reside na 3

As representações utilizadas na modelagem de sistemas podem ser classificadas em dois grupos principais, chamados representações globais e representações locais. Nas representações locais, os dados são divididos em grupos aos quais podem ser ajustadas funções lineares em torno dos pontos de operação. Portanto, a modelagem de sistemas, utilizando representações locais, resultam em modelos lineares por partes e descontínuos.

49

Capítulo 3:

Identificação de sistemas não lineares

pouca capacidade em ajustar dados que contenham oscilações com variações abruptas na saída do modelo que não correspondam a variações abruptas na entrada do modelo. Em alguns casos, os modelos polinomiais falham na reprodução destas oscilações. Ocorrem também situações na modelagem onde a característica estática não linear do sistema não pode ser bem aproximada por modelos polinomiais com baixo grau de não linearidade (Aguirre, 1997).

3.2.4 Detecção da estrutura Tendo definido os modelos polinomiais para a representação do sistema a ser modelado, a etapa de detecção de estrutura constitui-se na determinação de que termos, dentre todos os possíveis, serão incluídos no modelo.

O número total de termos candidatos a serem considerados na formação de um modelo polinomial SISO, pode ser calculado pela seguinte expressão: l

M = 1+ ∑nj j =1

(3.10)

onde nj =

(

n j −1 j − 1 + n y + nu + ne j

)

e n0 = 1.

Observa-se que M cresce geometricamente com o aumento do grau de não linearidade l do modelo polinomial e com a ordem dos atrasos dos termos

50

Capítulo 3:

Identificação de sistemas não lineares

em y, u e e. Nestas circunstâncias, a estrutura polinomial selecionada para modelar o sistema poderá se tornar exageradamente complexa e ter a sua manipulação inviabilizada se forem incluídos todos os termos possíveis.

Em geral, à medida que a complexidade do modelo aumenta, aumenta também a sua flexibilidade em se ajustar aos dados, capturando as principais dinâmicas necessárias à descrição do sistema. Por outro lado, modelos com excesso de termos (sobreparametrizados) tendem a apresentar dinâmicas não apresentadas pelo sistema original e eventualmente se tornam instáveis (Aguirre e Billings, 1995a).

Conforme verificado em diversos trabalhos (Billings et alii, 1989; Chen et alii, 1989; Jang e Kim, 1994; Aguirre e Billings, 1995a; Rodrigues, 1996; Jácome, 1996), modelos com um número reduzido de termos conseguem descrever satisfatoriamente o sistema na maioria dos casos. Além disto, modelos

com

representações

parcimoniosas

são

desejáveis

quando

empregados no projeto de controladores, na análise e na predição do comportamento dinâmico de sistemas e em outras aplicações, mesmo quando não existam restrições computacionais à manipulação de modelos complexos (Chen et alii, 1989).

Um dos algoritmos disponíveis para fazer a detecção da estrutura de modelos polinomiais do tipo NARMAX é conhecido como taxa de redução do erro (error reduction ratio, ERR) (Billings et alii, 1989; Chen et alii, 1989). Neste algoritmo, é calculada a parcela da redução da soma dos quadrados dos resíduos do modelo devido à inclusão de cada termo. No próximo capítulo o ERR será descrito com detalhes. Outras técnicas que podem ser usadas em conjunto com o ERR são a técnica de aproximação por zeramento e reajuste (zeroing-and-refitting approach) (Kadtke et alii, 1993) e o conceito de agrupamento de termos (term clustering) (Aguirre e Billings, 1995c). Uma breve comparação destas técnicas pode ser encontrada em (Aguirre, 1994).

51

Capítulo 3:

Identificação de sistemas não lineares

3.2.5 Estimação de parâmetros Obtido o conjunto de dados composto pelos sinais de entrada e de saída do sistema e definida a estrutura do modelo, o passo seguinte no procedimento de identificação é a estimação de parâmetros, onde serão atribuídos valores numéricos aos coeficientes dos termos constituintes do modelo.

Nesta seção será discutida, brevemente, a estimação de parâmetros de modelos NARMAX aplicados na modelagem de sistemas SISO. No capítulo 4 este assunto será abordado com mais detalhes, junto com a implementação de um algoritmo de estimação ortogonal aplicado à identificação de sistemas MIMO. Mais informações sobre este assunto podem ser encontradas em (Billings et alii, 1989; Chen et alii, 1989).

O modelo descrito pela equação 3.9 pertence à família de modelos regressivos lineares nos parâmetros do tipo M

y (t ) = ∑ p j (t )θˆ j (t ) + ξ (t)

t = 1,, N ,

j =1

(3.11)

onde y(t) representa o sinal de saída gerado pelo modelo e N o comprimento dos vetores de dados; pj(t) são os regressores do modelo, correspondendo à termos de grau 1 a l formados pela combinação de {x1(t),...,xn(t)} definidos na equação 3.9; M é o número de regressores e θˆ j são os valores numéricos dos coeficientes dos regressores, ou seja, os parâmetros estimados. ξ(t) são os resíduos do modelo.

A equação 3.11 pode ser reescrita em forma matricial como:

52

Capítulo 3:

Identificação de sistemas não lineares

Y = PΘ + Ξ

(3.12) O vetor de parâmetros Θ pode ser encontrado através da minimização da norma Euclidiana dos resíduos

Ξ

2 2

N

= ∑ ξ (t ) 2 , t =1

(3.13)

ou seja, resolvendo um problema de mínimos quadrados (Billings et alii, 1989; Chen et alii, 1989).

Uma das várias técnicas que podem ser aplicadas na solução de um problema de mínimos quadrados utiliza a decomposição ortogonal da matriz P. Dentre os métodos numéricos que utilizam esta técnica destacam-se a Transformação de Householder, o Método de Givens e os Métodos Clássico e Modificado de Ortogonalização de Gram-Schmidt, dentre outros (Chen et alii, 1989; Bronson, 1993).

3.2.6 Critérios de informação Até este ponto as considerações feitas sobre a seleção de modelos tem se orientado principalmente em escolher a representação mais concisa dentre todas as possíveis. O problema de como selecionar o melhor modelo final que concilie qualidade de ajuste aos dados com número reduzido de termos pode ser resolvido, em muitos casos, através de critérios de informação (Aguirre, 1994).

53

Capítulo 3:

Identificação de sistemas não lineares

Os critérios de informação são normalmente implementados através de funções de custo estatísticas. Por este motivo, eles selecionam, geralmente, os modelos que são ótimos no sentido estatístico, ou seja, com boa capacidade de ajuste aos dados. Contudo, não existe garantia de que um modelo que seja ótimo no sentido estatístico também o seja no sentido dinâmico4.

Um dos critérios clássicos mais utilizados na estimação da ordem de modelos polinomiais é o critério de informação de Akaike (Akaike’s information criterion, AIC) (Akaike, 1974). Pelo critério de Akaike o número de termos constituintes do modelo pode ser determinado minimizando-se a função de custo

J = N *log(VAR{ξ( t )}) + (2 * n p ) , (3.14) onde N representa o comprimento de dados, ξ(t) os resíduos do modelo e np o número de termos. A qualidade de ajuste dos dados de identificação é representada pelo primeiro termo da função de custo ao passo que o segundo termo penaliza cada termo a mais do modelo.

Outros critérios de informação que também podem ser citados são o critério do erro de predição final (final prediction error, FPE) (Akaike, 1974), lei de Khundrins do critério de iteração logaritmo (Khundrin’s law of iterated logarithm criterion, LILC) (Hannan e Quinn, 1979), critério de informação Bayesiano (Bayesian information criterion, BIC) (Kashyap, 1977), dentre outros. Uma revisão de tais critérios pode ser encontrada em (Gooijer et alii, 1985). 4

O sentido “dinâmico” neste contexto se refere à capacidade do modelo de reproduzir invariantes dinâmicos tais como bifurcações, mapas e seções de Poincaré, etc, presentes nos sistemas não lineares (Aguirre, 1994).

54

Capítulo 3:

Identificação de sistemas não lineares

Na aplicação dos critérios AIC(4), LILC e BIC relatada em Aguirre (1994) foi observado que embora tais critérios normalmente não selecionem o modelo com a melhor propriedade dinâmica, o número de termos indicado como estatisticamente ótimo é, em geral, próximo do número de termos dinamicamente ótimo.

3.2.7 Validação dos modelos O passo final do procedimento de identificação é a validação dos modelos obtidos. O objetivo da validação é confrontar o modelo identificado e o sistema original e avaliar a capacidade do modelo de representar adequadamente o sistema. Os testes de validação atuam como ferramentas de auxílio no refinamento dos modelos, revelando a presença de erros cometidos na realização dos procedimentos de identificação (Doebelin, 1980).

Uma das formas mais simples de se validar os modelos é efetuar uma comparação gráfica entre as curvas dos sinais de saída produzidos pelo modelo (predição temporal) e as curvas dos sinais de saída reais gerados pelo sistema (Bosch e Klauw, 1994). Neste caso, são avaliadas as semelhanças (ou diferenças) exibidas pelas duas curvas, tanto em relação aos valores de amplitude quanto ao perfil dinâmico exibido pelos sinais.

A literatura também descreve as seguintes formas de validação: • validação estatística; • validação dinâmica. O procedimento de validação estatística consiste em verificar a presença de dinâmicas não modeladas nos resíduos dos parâmetros do modelo identificado. Em modelos lineares, são feitos testes de correlação para 55

Capítulo 3:

Identificação de sistemas não lineares

verificar se os resíduos são brancos e não correlacionados com o sinal de entrada. Em modelos não lineares é necessário a realização de um conjunto de testes de correlação mais completo que detecte a presença de termos cruzados nos resíduos (Billings e Voon, 1983; Billings e Voon, 1986; Billings e Zhu, 1994).

Na

validação

estatística

de

modelos

não

lineares

SISO

são

normalmente verificadas as seguintes identidades: Φ ξξ (τ ) = E{ξ ( t − τ )ξ ( t )} = δ ( 0) ; (3.15) Φ uξ (τ ) = E{u( t − τ )ξ ( t )} = 0, ∀τ ; (3.16) Φξξ ( u ) (τ ) = E{ξ ( t )ξ ( t − 1 − τ )u( t − 1 − τ )} = 0 τ ≥ 0 ; (3.17)

Φ u 2 ,ξ (τ ) = E{(u 2 (t − τ ) − u 2 (t ))ξ (t )} = 0 ∀τ ; (3.18)

Φ u 2 ,ξ 2 (τ ) = E{(u 2 (t − τ ) − u 2 (t ))ξ 2 (t )} = 0 ∀τ

, (3.19)

onde δ(0) é a função delta de Kronecker. Em modelos sem termos de entrada do tipo u(t), são verificadas as seguintes identidades (Billings e Tao, 1991):

56

Capítulo 3:

Identificação de sistemas não lineares

Φξξ (τ ) = E{(ξ ( t ) − ξ ( t ))(ξ ( t − τ ) − ξ ( t ))} = δ ( 0 ) ; (3.20)

Φξξ 2 , (τ ) = E{(ξ (t ) − ξ (t ))(ξ (t − τ ) − ξ (t )) 2 } = δ (0) ; (3.21)

Φξ 2,ξ 2 , (τ ) = E{(ξ 2 (t ) − ξ 2 (t ))(ξ 2 (t − τ ) − ξ 2 (t ))} = δ (0) . (3.22)

Para um conjunto de dados de comprimento N, define-se um intervalo de confiança de 95%, dado por ± 1,96 /

N . Se o modelo for não-polarizado, os

resíduos são brancos e as funções de correlação deverão permanecer dentro do intervalo de confiança com 95% de probabilidade. Qualquer correlação significativa será indicada por um ou mais pontos posicionados fora do intervalo de confiança de 95% (Billings e Voon, 1983; Billings e Voon, 1986).

Os testes de correlação utilizando os resíduos do modelo e os dados do sistema são facilmente calculáveis. Contudo, eles se limitam a fornecer somente informações estatísticas sobre o modelo. Um modelo que seja estatisticamente válido pode não ser dinamicamente adequado, ou seja, os testes de correlação não indicam se o modelo capturou e está apto a reproduzir, satisfatoriamente, as dinâmicas do sistema original (Aguirre et alii, 1996).

Na validação dinâmica, as propriedades dinâmicas do modelo identificado são comparadas com invariantes desenvolvidos para a análise de dinâmicas não lineares. Os seguintes critérios podem ser utilizados em alguns casos (Aguirre e Billings, 1994; Brown et alii, 1994; Letellier et alii, 1995): • diagramas de bifurcação; • expoentes de Lyapunov; 57

Capítulo 3:

Identificação de sistemas não lineares

• mapas de Poincaré; • dimensão de correlação; • gráficos fase-espaço reconstruídos; • caracterização topológica; • sincronização. Dentre os invariantes citados acima, os diagramas de bifurcação têm se mostrados como os mais rigorosos no procedimento de validação dinâmica, por serem mais sensíveis às variações na estrutura do modelo (Aguirre e Billings, 1994). Os expoentes de Lyapunov fornecem indicações da capacidade de predição do modelo e da sua sensibilidade à variação das condições iniciais. Na prática, a escolha de qual invariante utilizar vai depender da viabilidade de se obter o respectivo invariante do sistema original para uso na comparação.

3.3 Considerações finais Foram abordados brevemente neste capítulo os principais conceitos relativos aos procedimentos de identificação de sistemas não lineares.

As técnicas de identificação de sistemas são ferramentas úteis na modelagem quando o conhecimento prévio sobre o sistema a ser modelado é insuficiente, dificultando, ou mesmo impossibilitando, o uso de técnicas tradicionais, como por exemplo, a modelagem pela física do processo.

Os procedimentos adotados na identificação de sistemas para a derivação de modelos não lineares são, em essência, os mesmos adotados para a derivação de modelos lineares, podendo ser aplicados a sistemas SISO ou MIMO. 58

Capítulo 3:

Identificação de sistemas não lineares

A forma de execução e os cuidados tomados durante a etapa de experimentação do sistema e aquisição de dados são um dos fatores mais influentes no desempenho das etapas subsequentes da identificação do sistema. Normalmente, a sua execução bem planejada proporciona a geração de dados com boa capacidade de representar o sistema.

Na seleção dos sinais de excitação do sistema utilizados no procedimento de experimentação devem ser levados em consideração fatores como a excitação persistente do sistema sobre toda a faixa de não linearidades (no caso de identificação não linear), potência espectral suficiente para excitar a dinâmica de interesse na modelagem e o projeto do perfil de amplitude. Normalmente, tais requisitos são menos severos quando aplicados na derivação de modelos lineares.

Os testes de detecção de não linearidades indicam o grau de não linearidades presentes nos dados coletados do sistema, atuando como ferramentas de auxílio na seleção de uma estrutura linear ou não linear mais adequada para modelar o sistema.

A utilização de modelos polinomiais do tipo NARMAX normalmente mostra bons resultados quando aplicados na modelagem de sistemas reais. As principais vantagens no seu uso se referem à simplicidade de análise, facilidade na simulação e operação, não requer séries temporais muito longas e a existência de um grande número de algoritmos de estimação de parâmetros do modelo. Por outro lado, a principal deficiência dos modelos polinomiais NARMAX se refere à sua pouca capacidade em ajustar dados que contenham oscilações abruptas na saída do modelo que não correspondam a variações abruptas na sua entrada.

O número de termos dos modelos polinomiais não lineares tende a se tornar excessivamente grande à medida em que a ordem do modelo cresce. 59

Capítulo 3:

Contudo,

utilizando-se

apenas

uma

pequena

Identificação de sistemas não lineares

parcela

dos

termos

é

normalmente possível reproduzir, satisfatoriamente, a dinâmica do sistema modelado. A seleção destes termos dentre todos os termos possíveis é alcançada por algoritmos de detecção de estrutura, destacando-se entre eles o ERR a ser descrito no próximo capítulo.

Os critérios de informação são ferramentas que facilitam a seleção do modelo com melhor tamanho e ajuste aos dados. Contudo, por utilizarem funções de custo estatísticas, eles apresentam melhores resultados na indicação de modelos com um número ótimo de termos no “sentido estatístico” (ajuste aos dados), o que não necessariamente garante que o modelo tenha a capacidade de reprodução de propriedades dinâmicas do sistema.

A finalização do procedimento de identificação se dá com a validação do modelo obtido. Técnicas de validação subjetiva, estatística e dinâmica podem ser utilizadas para avaliar a capacidade do modelo identificado de representar adequadamente o sistema original. Se o modelo obtido for reprovado deverá ser feita uma avaliação sobre as suas deficiências com o objetivo de definir quais os passos, anteriores à etapa de validação, que deverão ser modificados e refeitos. Se o modelo for aprovado o trabalho de identificação estará concluído.

60

Capítulo 4 Identificação de sistemas não lineares MIMO

4.1 Introdução Quando uma expansão de um modelo NARMAX polinomial é selecionada, o modelo se torna linear nos parâmetros. Uma vez determinada a estrutura mais adequada para modelar o sistema, somente os coeficientes dos parâmetros do modelo são desconhecidos e a identificação pode ser formulada como um problema padrão de mínimos quadrados (Billings et alii, 1989; Chen et alii, 1989). Contudo, raramente se conhece de antemão a estrutura do modelo e portanto o uso de algoritmos de seleção de estrutura se torna parte vital dos procedimentos de identificação.

O aumento da ordem e do número de termos são algumas das estratégias utilizadas na seleção da estrutura do modelo com o objetivo de se alcançar um ajuste satisfatório aos dados coletados do sistema. Contudo, o uso abusivo ou de forma isolada destes recursos pode resultar em modelos bastante complexos. Em geral, modelos complexos têm pouco valor prático e são difíceis de manipular. Problemas de seleção de estrutura de modelos estão presentes tanto nos sistemas com entrada única e saída única (singleinput-single-output, SISO) quanto nos sistemas com múltiplas entradas e múltiplas saídas (multi-input-multi-output, MIMO), sendo nos sistemas MIMO, devido à sua maior complexidade, mais críticos.

O objetivo deste capítulo é abordar a identificação de sistemas MIMO não lineares apresentando um algoritmo de estimação ortogonal de

62

Capítulo 4:

Identificação de sistemas não lineares MIMO

parâmetros baseado na Transformação de Householder. Este algoritmo realiza, de forma combinada, a seleção da estrutura e a estimação de parâmetros de modelos polinomiais NARMAX, utilizando o conjunto de dados coletados do sistema. Também serão apresentados os testes de validação de modelos MIMO. Os tópicos cobertos por este capítulo são uma extensão dos tópicos cobertos no capítulo 3, onde a base fundamental dos procedimentos usados na identificação de sistemas foi estabelecida.

4.2 Representação dos sistemas MIMO Um sistema não linear, discreto, multivariável, com m saídas e r entradas, pode ser descrito por um modelo polinomial NARMAX com a seguinte forma geral (Leontaritis e Billings, 1985): y (t ) = F l [y (t − 1), y (t − 2),..., y (t − n y ), u(t − 1), u(t − 2),..., u(t − nu ), e(t − 1), e(t − 2),..., e(t − ne )] + e(t ) , (4.1)

onde ⎡ y 1 (t ) ⎤ ⎡u 1 (t ) ⎤ ⎡ e1 (t ) ⎤ ⎢ ⎥ ⎢ ⎥ y (t ) = ⎢  ⎥, u(t ) = ⎢  ⎥, e(t ) = ⎢⎢  ⎥⎥ . ⎢⎣y m (t )⎥⎦ ⎢⎣u r (t )⎥⎦ ⎢⎣e m (t )⎥⎦

Na equação 4.1, F é uma função não linear qualquer;

{u 1 (t ),, u r (t )}

e

{e1 (t ),, e m (t )},

{y 1 (t ),  , y m (t )},

representam, respectivamente, vetores de

séries temporais contendo os sinais de saída, entrada e ruído do sistema; e(t) modela incertezas do modelo; ny, nu e ne são, respectivamente, os atrasos

63

Capítulo 4:

Identificação de sistemas não lineares MIMO l

máximos dos termos de saída, entrada e ruído. Neste trabalho F será uma função polinomial de grau l.

Expressando a equação 4.1 em termos das suas componentes teremos, para o subsistema i, a seguinte representação: yi ( t ) = f i ( y1 ( t − 1),..., y1 ( t − n iy1 ),..., y m ( t − 1),..., ym ( t − n iy m ), u1 ( t − 1),..., u1 ( t − nui1 ),..., ur ( t − 1),..., ur ( t − nuir ), e1 ( t − 1),..., e1 ( t − nei1 ),..., em ( t − 1),..., em ( t − nei m )) + ei ( t ), i = 1,..., m. (4.2)

Normalmente, a forma não linear de fi não é conhecida. Com o intuito de utilizar a equação 4.2 na identificação de sistemas torna-se necessário a sua parametrização. Este objetivo pode ser alcançado através da sua expansão polinomial. Expandindo fi(.) como um polinômio de grau li obtemos:

y i ( t ) = θ 0i +

n



i1 = 1

... +

n



i =1

n

θ ii1 x i1 ( t ) + ∑

i1 = 1

...

n



n



i 2 = i1

θ ii1 i 2 x i1 ( t ) x i 2 ( t ) + ...

θ ii1  i l x i1 ( t )... x i l ( t ) + e ( t ) ,

il = il − 1

i = 1 ,..., m

(4.3)

onde m

r

m

n = ∑ n + ∑ n + ∑ ne( ii ) , i =1

(i) yi

i =1

(i) ui

i =1

os θs são os coeficientes escalares do modelo a serem estimados e

64

Capítulo 4:

Identificação de sistemas não lineares MIMO

⎧ x ( t ) = y ( t − 1), x ( t ) = y ( t − 2 ),  , x ( t ) = y m ( t − n y ), 1 2 1 m × n iy ⎪ 1 ⎪ ⎨ xm × n iy +1 ( t ) = u1 ( t − 1),  , xm × n iy + r × n ui ( t ) = ur ( t − nu ), ⎪ ⎪⎩ xm × n iy + r × n ui +1 ( t ) = e1 ( t − 1),  , xn i ( t ) = em ( t − ne ).

A seguir apresenta-se um exemplo de um modelo do tipo NARMAX polinomial: y1 (t ) = 0,5 y1 (t − 1) + u1 (t − 2) + 0,1 y2 (t − 1)u1 (t − 1) + 0,5e1 (t − 1) +0,2 y1 (t − 2)e1 (t − 2) + e1 (t ) (4.4) e y 2 (t ) = 0,9 y2 (t − 2) + u 2 (t − 1) + 0,2 y2 (t − 1)u 2 (t − 2) + 0,5e2 (t − 1) + 0,1y2 (t − 1)e1 (t − 2) + e2 (t ). (4.5)

As equações 4.4 e 4.5 representam, respectivamente, os modelos dos subsistemas 1 e 2. Em conjunto, 4.4 e 4.5 formam a representação global do sistema.

4.3

Detecção da estrutura e estimação de parâmetros de sistemas MIMO A identificação de cada subsistema i, representado na equação 4.3,

pode ser realizada de forma desacoplada da identificação dos outros (m-1) subsistemas. Portanto, para i=1,....,m, são determinadas a estrutura do modelo e os valores dos parâmetros do i-ésimo subsistema de forma independente dos demais subsistemas (Billings et alii, 1989).

65

Capítulo 4:

Identificação de sistemas não lineares MIMO

De maneira similar à abordagem feita para as equações (3.11) e (3.12) do capítulo anterior, pode-se definir o modelo do subsistema i como pertencente à família de modelos regressivos lineares nos parâmetros do tipo M

yi (t ) = ∑ p j (t )θˆ j +ξ (t ),

t = 1,..., N .

j =1

(4.6)

Na equação 4.6 yi(t) representa o sinal de saída do subsistema i gerado pelo modelo correspondente e N o comprimento dos vetores de dados; pj(t) são os regressores do modelo, correspondendo a termos de grau 1 a l formados pela combinação de {x1(t),...,xn(t)} definidos na equação 4.3; M é o número de regressores e θˆ j são os valores numéricos dos coeficientes dos regressores, ou seja, os parâmetros a serem estimados. ξ(t) são os resíduos do modelo. Em sistemas MIMO, o número de regressores pode ser calculado pela seguinte equação: l

Mi = 1+ ∑ nj , j =1

(4.7) onde

m r ⎛ ⎞ n j −1 ⎜ j − 1 + ∑ niy k + nei k + ∑ nrik ⎟ k =1 k =1 ⎝ ⎠ e n = 1. nj = 0 j

(

)

Reescrevendo a equação 4.6 na forma matricial encontra-se: Yi = Pi Θi + Ξ i (4.8)

66

Capítulo 4:

Identificação de sistemas não lineares MIMO

onde ⎡ yi (1) ⎤ ⎡ θ1 ⎤ ⎡ ξ (1) ⎤ ⎢ ⎥ ⎢ ⎥ Yi = ⎢  ⎥, Pi = [p1  p M ], Θi = ⎢  ⎥, Ξ i = ⎢⎢  ⎥⎥ ⎢⎣ yi ( N )⎥⎦ ⎢⎣θ M ⎥⎦ ⎢⎣ξ ( N )⎥⎦ e ⎡ p j (1) ⎤ ⎢ ⎥ p j = ⎢  ⎥, ⎢ p j ( N )⎥ ⎣ ⎦

j = 1,, M i .

O vetor de parâmetros Θi pode ser encontrado através da minimização de Ξ i 2 , ou seja, resolvendo um problema de mínimos quadrados (Billings et alii, 1989; Chen et alii, 1989).

As rotinas computacionais de seleção da estrutura do modelo e estimação

de

parâmetros

utilizadas

neste

trabalho

fazem

uso

da

Transformação de Householder (Chen et alii, 1989; Bronson, 1993). Este método numérico utiliza a técnica de decomposição ortogonal da matriz P na solução do problema de mínimos quadrados. O seu desempenho em trabalhos da área de identificação de sistemas não lineares tem se mostrado satisfatoriamente eficiente, conforme atestado por diversos trabalhos (Chen et alii, 1989; Aguirre e Billings, 1995a; Rodrigues, 1996; Jácome, 1996; Barros, 1997). As seções seguintes descrevem a Transformação de Householder e a sua aplicação em um algoritmo que realiza, de forma combinada, a seleção da estrutura do modelo e a estimação de parâmetros de sistemas MIMO.

4.3.1

Uso da Transformação de Householder na solução do problema de mínimos quadrados 67

Capítulo 4:

Identificação de sistemas não lineares MIMO

Para facilitar a notação, nesta seção o subíndice ‘i’ será omitido. Assumindo que a matriz P tem posto pleno (Chen et alii, 1989) pode-se fatorála da seguinte forma: P = QR ,

(4.9) onde Q é uma matriz ortogonal (QTQ=I); Q∈ℜN×M e R é uma matriz triangular superior, onde R∈ℜM×M.

Com o intuito de se obter um conjunto de N vetores ortonormais sobre ~ um espaço Euclidiano de dimensão N, definimos uma matriz aumentada Q formada pela composição da matriz Q com N-M vetores ortonormais: ~ ~ ~ q ~ ] = Q :Q Q = [Q M : q M +1 N M N−M .

[

]

(4.10)

A equação 4.9 pode então ser reescrita como ~ ~ ~ ⎡R ⎤ P = QR = Q ⎢ ⎥ . ⎣0⎦ (4.11) ~ Premultiplicando a parte determinística da equação 4.8 por Q T tem-se que

68

Capítulo 4:

Identificação de sistemas não lineares MIMO

~ ~ Q T PΘ = Q T Y (4.12)

e considerando a equação 4.11 chega-se a ~ ~ RΘ = Q T Y . (4.13) ~ Particionando a matriz Q T Y em

⎡Ya ⎤ ~ QT Y = ⎢ ⎥ , ⎣Yb ⎦ (4.14)

onde Ya é um vetor de comprimento M e Yb um vetor de comprimento N-M, obtemos ~ Y − PΘ 2 = Q T ( Y − PΘ ) 2 = Ya − RΘ 2 + Yb 2 . (4.15) O vetor de parâmetros Θ é obtido resolvendo o sistema triangular RΘ = Ya , (4.16) 2

e a soma dos quadrados dos resíduos do modelo é dada por Yb 2 .

A Transformação de Householder pode ser usada para encontrar a matriz R e o vetor Ya. Ela realiza uma série de operações do tipo

69

Capítulo 4:

Identificação de sistemas não lineares MIMO

H (k ) = I − β (k ) v (k ) (v (k ) )T

k = 1,, M (4.17)

sobre a matriz aumentada p11  ~ p1 M ⎡~ ⎢~ ~ p21  p2 M ~ P = [P: Y] = ⎢ ⎢   ⎢~ ~ ⎣ pN 1  pNM

~ p1( M +1) ⎤ ~ p2( M +1) ⎥ ⎥,  ⎥ ⎥ ~ p N ( M +1 ) ⎦ (4.18)

de dimensão N × (M+1), que resulta na matriz triangular inferior ⎡R ~ P( M ) = ⎢ ⎣0

Ya ⎤ . Yb ⎥⎦ (4.19)

Fazendo ~ ~ P ( k ) = H ( k ) P ( k −1)

k = 1,, M (4.20)

e ~ ~ P( 0) = P , (4.21)

define-se a k-ésima Transformação de Householder como (Golub e Van Loan, 1989):

σ

(k )

⎛ N ~ ( k − 1) 2 ⎞ = ⎜ ∑ ( pik ) ⎟ ⎝ i= k ⎠

1/ 2

, (4.22)

70

Capítulo 4:

β (k ) =

σ

(k)

Identificação de sistemas não lineares MIMO

1 , (σ + ~ pkk( k −1) ) (k )

(4.23)

vi( k )

⎧0, ⎪ ( k −1 ) pkk + sinal ~ pkk( k −1) σ ( k ) , = ⎨~ ⎪ ~ ( k −1 ) ⎩ pik

[

]

ik (4.24)

e ~ ~ ~ P ( k ) = P ( k − 1) − v ( k ) ( β ( k ) ( v ( k ) ) T P ( k − 1 ) ) . (4.25)

4.3.2 Detecção de estrutura utilizando o ERR A equação 4.7 pode ser usada para ilustrar a importância da utilização de algoritmos de seleção da estrutura de modelos polinomiais. Toma-se, como exemplo, um sistema MIMO com duas entradas e duas saídas ( m = r = 2 ) , todos os atrasos máximos dos termos de saída, entrada e ruído iguais a dois ( n y m = nur = nem = 2) e o grau da função polinomial igual a três ( l = 3) . Neste caso, o número total de termos candidatos a serem considerados na formação do modelo polinomial de cada subsistema é igual a 455! O desconhecimento da estrutura do modelo polinomial que melhor represente o sistema pode induzir à tentativa de se utilizar a estrutura completa do modelo. Alguns dos problemas que podem aparecer em decorrência desta ação são a dificuldade de manipulação do modelo e problemas de mau-condicionamento numérico na etapa de estimação de parâmetros. Eles surgem do fato de que modelos polinomiais com estrutura completa são, em geral, de tamanho elevado e 71

Capítulo 4:

comportam

uma

grande

Identificação de sistemas não lineares MIMO

quantidade

de

termos

sem

qualquer

representatividade das dinâmicas do sistema.

Sendo P a matriz de regressores que representa o modelo completo de cada subsistema (definida na equação 4.8), pode-se estabelecer o problema combinado da seleção da estrutura do modelo e estimação de parâmetros como “selecionar um submodelo Ps de P e encontrar a matriz de parâmetros  que se ajuste adequadamente aos dados”. No algoritmo de estimados Θ s estimação

ortogonal

de

parâmetros

baseado

na

Transformação

de

Householder, a seleção da estrutura do submodelo Ps é efetuada selecionando-se uma coluna de P que faça com que a cada iteração seguinte do algoritmo a soma dos quadrados dos resíduos seja maximamente reduzida. Esta etapa do algoritmo usa como ferramenta básica a taxa de redução do erro (error reduction ratio, ERR) e será descrita a seguir.

Seja a matriz ~ P ( 0 ) = [P: Y] = ~ p1( 0 ) ~ p (M0 ) : Y ( 0 )

[

] (4.26)

e Rk o menor principal, de dimensão k × k, da matriz R definida na equação ~ 4.9. Aplicando-se sucessivamente sobre a matriz P( 0 ) a Transformação de Householder H(i), i = 1,...,k-1, ela é transformada em

⎡ R k −1 ~ ( k −1 ) ⎢ P =⎢ ⎢⎣ 0

~ pk( k −1)

⎤ ⎥  ~ p (Mk −1): Y ( k −1) ⎥ . ⎥⎦ (4.27)

72

Capítulo 4:

Identificação de sistemas não lineares MIMO

Se o processo for interrompido no (k-1)-ésimo passo e um modelo composto por (k-1) parâmetros for provisoriamente selecionado, obtém-se a seguinte expressão para a soma dos quadrados dos resíduos N

∑[ y i=k

],

( k −1 ) 2 i

(4.28)

que se reduz a N

N

∑ ( y ) = ∑( y

i = k +1

(k ) 2 i

i= k

) −(y )

( k −1 ) 2 i

(k) 2 k

(4.29) (k)

após H

~ Transformações de Householder terem sido aplicadas a P( k−1) . Para

que a soma dos quadrados dos resíduos seja maximamente reduzida na késima iteração do algoritmo deve-se primeiramente selecionar uma coluna de ~ pk( k −1) ~ p (Mk −1) que maximize

(y ) . (k ) 2 k

Em seguida, permutam-se a coluna

~ selecionada e a coluna p(kk −1) e aplica-se sobre a matriz P( k −1) a Transformação de Householder H ( k ) . Este objetivo pode ser alcançado da forma descrita a seguir.

Seja ~ p (j k −1) = ( ~ p (j k −1) ,, ~ pN( kj−1) )T ,

j = k ,, M . (4.30)

Calcula-se

73

Capítulo 4:

Identificação de sistemas não lineares MIMO

⎧ ( k ) ⎛ N ( k −1) 2 ⎞1 / 2 pij ⎟ , ⎪a j = ⎜ ∑ ~ ⎝ i=k ⎠ ⎪ ⎪⎪ N (k ) ~ ( k −1) ( k −1) ⎨b j = ∑ pij yi , i =k ⎪ ⎪ j = k ,, M ⎪ ⎪⎩

(

)

(4.31) e

[ERR](jk )

⎛ b (j k ) ⎞ ⎟ ⎜ ⎜ a (k ) ⎟ j ⎠ =⎝ Y, Y

2

j = k ,..., M . (4.32)

Encontra-se

[ {

h j = argumento max [ ERR] j

(k )

}

j = k ,..., M

] (4.33)

~ e em seguida permutam-se as hj-ésima e k-ésima colunas de P ( k −1) . O procedimento descrito acima pode ser empregado na seleção dos Ms termos da estrutura polinomial Ps de cada subsistema. A seqüência de passos é a seguinte: • Como primeiro passo (iteração k=1) seleciona-se dentre as M colunas da ~ matriz P ( 0 ) , definida na equação 4.26, a coluna associada ao maior valor do ERR calculado a partir das equações 4.30, 4.31, 4.32 e 4.33. Permuta-se a ~ ~ primeira coluna de P ( 0 ) com a coluna selecionada e aplica-se sobre P ( 0 ) a Transformação de Householder H (1) , utilizando-se as equações 4.22, 4.23, ~ 4.24 e 4.25. A matriz resultante ao final deste passo é P (1) .

74

Capítulo 4:

Identificação de sistemas não lineares MIMO

• Repete-se o primeiro passo Ms-1 vezes (iterações k=2,...,Ms). Em cada um dos Ms-1 passos as operações relativas ao cálculo do ERR, permutação de colunas e aplicação da Transformação de Householder devem ser feitas sobre a matriz resultante no passo anterior desconsiderando-se a primeira coluna e a primeira linha. Além disto, o conjunto de equações 4.31 deve ser substituído por

(

⎧a ( k +1) = (a ( k ) ) 2 − ( ~ pkj( k ) ) 2 j j ⎪⎪ ( k +1) (k ) ~ (k ) (k ) ⎨b j = b j − pkj y k , ⎪ ⎪⎩ j = k = 1,, M .

)

1/ 2

,

(4.34)

O processo pode ser interrompido quando Ms

{

1 − ∑ max[ERR] k =1

(k )

} < ρ, (4.35)

onde 0 < ρ
View more...

Comments

Copyright � 2017 SILO Inc.