Modelos Aplicados na Construção de Sensores Virtuais

Muitas das técnicas, para a construção de SV, estão amplamente disponíveis e a seleção de métodos adequados é dependente do comportamento dinâmico do processo específico e da adequação prática ao modelo de aplicação (PIANG, 2005). Esses modelos podem ser formulados pelas teorias das equações dos princípios de conservações, chamados de modelagem caixa branca (white-box) ou modelos de princípios fundamentais (FPM), pelas abordagens empíricas através de identificação caixa preta (modelos black-box), ou ainda, utilizando os modelos por analogia caixa cinza (grey-box). Mas, apesar dos modelos FPM possuírem, geralmente, uma

20

faixa de validação mais ampla do que os demais modelos, pode ser difícil construir modelos dinâmicos de processos complexos, como é o caso coluna de destilação do 1,2-DCE em estudo. Outro problema é que com modelo FPM podem ser gerados modelos extremamente complexos com pouco valor prático, haja vista que muitas vezes não se conhecem com precisão todos os parâmetros desses modelos.

É possível observar na literatura que diversas técnicas caixa preta vem sendo empregadas na construção dos SV. Na Figura 2.7 são apresentadas as principais técnicas de identificação de sistemas utilizadas para tal objetivo. Isso se deve ao fato que os modelos orientados por dados são baseados nos históricos das próprias unidades de industriais, descrevendo as reais condições de operação do processo e sem a necessidade conhecimento fenomelógico do mesmo. A modelagem caixa preta quando é utilizada para construção de SV se mostra mais realista ao relacionar e descrever as condições reais do processo, principalmente, quando comparada com os sensores virtuais orientados a modelos FPM (KADLEC et al., 2009).

Figura 2.7. Técnicas de identificação empírica utilizadas para construção de analisador virtual.

Fonte: Adaptada de MORAIS JR (2011).

O modelo empírico mais simples é o de regressão linear múltipla (MLR), justamente por ser uma regressão linear pelo método de mínimos quadrados apresenta algumas limitações. Na construção de sensores virtuais é comum o uso de técnicas estáticas, como, por exemplo, o mínimo quadrado parcial (PLS) e a análise de componentes principais (PCA), para pré- processamento de dados e no treinamento de outros modelos inferenciais caixa preta.

O filtro de Kalman (FK) também vem sendo utilizado no algoritmo de construção de SV. Ele é um estimador otimizado de estados para sistemas lineares, sendo empregado em casos que se conhece o modelo do sistema e quando certas propriedades estocásticas estão disponíveis, sua

21

extensão é o filtro de Kalman estendido (FKE). Algumas vezes, o FK e o FKE são utilizados com outras técnicas de identificação para construção de sensores virtuais, por exemplo, com uma abordagem híbrida junto com a rede neural artificial.

Quando são utilizados modelos do tipo espaços de estados para construção de SV, se dá o nome de “observador de estados”. Estes modelos são mais aplicados a casos lineares, porque em casos não lineares se tornam muito complexos. Os mais utilizados são os de identificação do tipo entrada-saída como, por exemplo, o modelo auto regressivo com média móvel e entradas exógenas (ARMAX). Entretanto, com o crescente emprego das máquinas de vetores de suporte (SVM) pela comunidade de aprendizado científica, existem algumas aplicações recentes dessa técnica para SV. O sucesso do uso dessa técnica foi destaque em alguns trabalhos como, por exemplo, em YAN et al. (2004). No entanto, alguns problemas com as SVM foram relatados, especialmente com grandes conjuntos dados, haja vista que a complexidade computacional do processo de treinamento da SVM torna-se proporcionalmente restrita à quantidade de dados.

O fato de que seres humanos são aptos a conduzir tarefas complexas sob significante incerteza tem estimulado pesquisas por padrões alternativos de modelagem, como as técnicas de sistemas inteligentes (SI) ou inteligência artificial (AI). Os SI são metodologias que empregam técnicas motivadas por sistemas biológicos e inteligência humana no desenvolvimento de modelos de sistemas dinâmicos. Dessa forma, elas vêm sendo muito empregadas em modelos de construção de SV, dentre as quais se destacam as redes neurais artificiais (RNA), a lógica fuzzy, o algoritmo genético A(G) e modelos híbridos.

As RNA consistem em um conjunto de neurônios artificiais interligados por conexões sinápticas. Ela está inserida dentro de uma área conhecida como sistemas inteligentes (conexionistas) ou inteligência computacional. Para substituir modelos que são demasiadamente complicados de serem resolvidos em tempo real, a RNA demostra ter diversas habilidades (JANG et al. 1997; HIMMELBLAU, 2008). A aplicação de RNA na modelagem dinâmica e controle de processos químicos teve início no final de 1980 e entre os pioneiros destacam-se Bhat et al. (1990). Eles propuseram o uso das RNA para estimativa de pH em um reator CSTR. Os resultados mostraram que a rede tem capacidade de prever a variável nesse reator. Por possui características não lineares, a RNA apresentou uma maior confiabilidade quando comparada com um modelo do tipo ARMAX. Por isso, o desenvolvimento de SV, para inferir a qualidade do produto (composição) em processos de destilação, a partir de outras variáveis do processo

22

facilmente medidas através de arquiteturas de RNA, é um tema que está sendo de grande aplicação.

Zanata (2005) apresentou um SV empregando RNA à estimativa da composição em uma coluna de destilação de mistura ideal multicomponente. Para aquisição dos dados de entrada do SV desenvolveu-se uma simulação dinâmica da torre no software Simulink®. A principal contribuição do trabalho relaciona-se ao estudo sobre a influência do treinamento parcial no desempenho da rede e o estudo realizado sobre os principais erros que podem ocorrer nos sensores virtuais desenvolvidos com RNA, raramente tratado em outras publicações. Kano et al. (2009) utilizaram o método de identificação de subespaços de duas fases (SSID), com isso desenvolveram SV precisos que levaram em conta a influência das perturbações não medidas sobre as principais variáveis estimadas. Os autores citam que a principal vantagem do SSID é que se podem estimar perturbações não medidas sem as simplificações que a técnica convencional de filtro Kalman faz. Os autores afirmaram que o SSID é robusto aos ruídos brancos Gaussianos inerentes ao processo, já que o SV foi aplicado para uma coluna de etileno industrial de alta pureza. A principal contribuição do trabalho relaciona-se ao fato dos autores utilizarem medições secundárias no estudo, tais como, medições de quatro temperaturas ao longo da torre e a composição de um dos compostos na alimentação, cujo objetivo foi estimar a concentração do etano no produto de etileno. As observações relatadas pelos autores são importantes na tomada de decisão de quais variáveis candidatas devem ser incluídas em um estudo de seleção variáveis em colunas de alta pureza, haja vista que normalmente temperaturas e pressões apresentam pequenas variações nesses processos. Além disso, os autores fazem uso da composição do composto a ser inferido na corrente de alimentação, o que pode se tornar dispensável porque essa é também um distúrbio não medido.

Conforme apresentado anteriormente, alguns trabalhos de sensores virtuais que utilizam RNA ,para estimar a qualidade do produto, podem ser encontrados na literatura. Entretanto, não foi encontrado até aqui temas que tratam da estimativa das impurezas em colunas multicomponentes de alta pureza. As divers as características positivas quando se utilizam redes neurais em processos não lineares, por exemplo, a adaptação por experiência, a capacidade de aprendizado, a habilidade de generalização, organização dos dados, tolerância a falhas e armazenamento distribuído, motivaram o emprego dessa técnica nesse trabalho.

23