Sistemas de Controle Inteligente e Autônomo

A inteligência (Figura 13) pode ser definida como a habilidade de um sistema em integrar autonomia, cooperação e organização de forma eficaz, de modo a prover meios para se adaptar a diferentes situações e utilizar todo o conhecimento que se tem a sua disposição para conduzir à solução de um problema (FRANCO, 2003). E este é o princípio utilizado pelo trabalho proposto, integrando os dados do sistema a ser controlado com uma base de conhecimentos especializados e com características que possibilitem ao sistema se autoajustar para corrigir ou evitar falhas, sejam estas internas ou originadas por sistemas relacionados.

Figura 13 – Visão sistêmica da definição de inteligência (adaptado de Franco, 2003)

A utilização de sistemas inteligentes em controle tem despertado grande interesse nos últimos anos (CHEN & LINKENS, 2001). Sistemas de controle inteligente e autônomo

são designados para operar sem intervenção externa em ambientes submetidos a incertezas por longos períodos de tempo. Além disso, devem executar alguns procedimentos de controle, além dos convencionais, mesmo em sistemas estocásticos*. Estes procedimentos incluem regulagens, aprendizagem, reação e, quando possível, adaptação às mudanças do ambiente e às falhas internas do sistema, para assim, aprimorar seu desempenho e robustez (ANTSAKLIS, 1989; ANTSAKLIS, 1990).

Sistemas estocásticos podem ser lineares ou não-lineares. Em caso de sistemas estocásticos-lineares, estratégias aproximativas podem ser utilizadas para transformar restrições probabilísticas, definidas no problema estocástico, em equivalentes determinísticas*, permitindo uma simplificação do problema. Entretanto, o esforço computacional aumenta exponencialmente com a adição de novas variáveis de estado, além de não se poder garantir a factibilidade da solução frente às restrições impostas. Algumas estratégias aproximativas e restrições probabilísticas são listadas em Silva Filho (2000).

No caso de sistemas* complexos, não-lineares e baseados em informações imprecisas ou aproximadas, uma simplificação determinística dificilmente transformaria restrições probabilísticas, definidas no problema estocástico, em equivalentes determinísticas. Consequentemente, não atenderia de forma eficaz aos objetivos, já que alguns termos linguísticos descrevem contextos complexos que são muito difíceis de modelar com precisão matemática.

Entretanto, embora estes sistemas não possuam uma solução determinística, os especialistas conseguem resolvê-los de forma satisfatória usando seu conhecimento e percepção. Sistemas de controle inteligente podem ser definidos como controladores cujo mecanismo coordena a comunicação, decisões e banco de dados, podendo ter uma estrutura interna hierárquica e função de aprendizado conforme o ambiente. Alguns são providos de mecanismos de IA, podendo ainda incorporar um sistema de recuperação de erros, de forma a restaurar o sistema ao estado normal de operação (CHOI et al., 2000)

Sistemas computacionais funcionam, em geral, interagindo com um ambiente externo diversificado, sujeito a incerteza e em constante mutação, formado por usuários, operadores, desenvolvedores, dispositivos de entrada e saída, redes de comunicação, sistemas de fornecimento de energia, outros sistemas computacionais, o meio-ambiente natural, dentre outros possíveis agentes (GUERRA, 2004).

Essa complexidade, durante o desenvolvimento de um sistema, demanda a criação de um modelo simplificado do ambiente externo, ignorando-se determinados agentes e definindo-se padrões de interação idealizados para os demais. Quanto maior a distância entre

esse modelo de projeto e as condições reais do ambiente em que é utilizado, maior será a probabilidade de ocorrerem eventos capazes de perturbar o funcionamento normal do sistema, os quais serão percebidos como falhas (GUERRA, 2004).

Para que o impacto destas variações não seja refletido no sistema de forma crítica, é necessário que o sistema reaja a estas mudanças, de forma que medidas corretivas e preventivas sejam adotadas imediatamente após a percepção destas variações, e assim, resultados inesperados ou indesejáveis não assumam maiores proporções.

Em se tratando de sistemas críticos, a adoção de funções de controle puramente convencionais, a exemplo do controle PID, nem sempre é satisfatória, pois pode ser necessário que o sistema reaja, em tempo real, a falhas internas ou a mudanças não previstas do ambiente, para assim garantir e até mesmo aprimorar seu desempenho e robustez (ANTSAKLIS et al., 1989). Isto ocorre porque, em ambientes dinâmicos ou com múltiplos sistemas interligados e cooperando entre si, é difícil prever, mapear e incorporar aos controladores convencionais, todos os eventos que interferem em seus resultados. Segundo Scholz-Reiter (2009), o aumento de complexidade dos atuais sistemas de manufatura combinado com as constantes mudanças nos parâmetros dos processos tem demandado uma descentralização do controle dos processos, a exemplo do controle autônomo proveniente da teoria de auto-organização (DEBRUN, 1996).

Um sistema de controle inteligente se diferencia de sistemas de controle convencionais justamente por sua habilidade de tomar decisão, mesmo em ambientes não estruturados. São aplicáveis em sistemas que operam com incertezas, com variações nos modelos de referência, que utilizam diferentes critérios de desempenho, e que podem ser sujeitos a falhas de componentes (CAVALCANTI et al., 1999). O desenvolvimento de uma metodologia efetiva para o projeto desses sistemas de controle pode ser favorecido pela síntese de conceitos da Inteligência Artificial, computação em tempo real e engenharia de controle (PORTER, 1989).

Havendo falhas, estas deverão ser solucionadas e o sistema restaurado a uma condição segura, ou a parte do sistema onde ocorreu a falha deverá ser desativada, de forma a minimizar o impacto em outras regiões e, com isto, manter estável o funcionamento geral do sistema. Para isto, as ações corretivas devem ser rápidas e seletivas, tratando imediatamente o efeito desta falha no sistema e no ambiente (evitando que este efeito assuma maiores proporções) e evitando sua reincidência (tratando a origem da falha).

Grande parte da complexidade de um sistema de alta confiabilidade está relacionada com rotinas de detecção e recuperação de erros (RANDELL & XU, 1995). E

quanto maior a complexidade do sistema a ser controlado, maior é o nível de sofisticação necessário para o controlador. No contexto deste trabalho, ter autonomia de controle significa ter capacidade de autocomando e executar funções complexas, sem a necessidade de intervenção humana, ou com intervenção mínima, mesmo em um ambiente não estruturado.

A utilização de métodos de controle inteligente e autônomo no GCAD visa a permitir o encapsulamento de funções complexas em módulos reutilizáveis e adaptáveis, capazes de prover ao sistema capacidade de tomar decisões com base nos eventos ocorridos e associando-os a uma base de conhecimento, adaptável pelo sistema, através de sua interação com o ambiente, e por especialistas.