CONTROLE INFERENCIAL.pdf

C O

C O

N T

N T

R O

R O

L E

L E

A

A

V

V

A N

A N

Ç A

Ç A

D O

D O

C O

C O

N T

N T

R O

R O

L E

L E

I N

I N

F E

F E

R E

R E

N C

N C

I A

I A

L

L

O controle inferencial é uma estratégia de controle adotada O controle inferencial é uma estratégia de controle adotada quando se deseja inferir um valor da variável controlada a quando se deseja inferir um valor da variável controlada a  partir d

 partir da medição a medição de outra vde outra vaariávriável. Isso el. Isso ocorre em ocorre em funçãofunção de algumas situações de processo em que a variável de algumas situações de processo em que a variável controlada não pode ser medida diretamente, o sistema de controlada não pode ser medida diretamente, o sistema de controle apresenta um longo período de amostragem e o controle apresenta um longo período de amostragem e o custo da adoção de uma tecnologia de medição on-line custo da adoção de uma tecnologia de medição on-line torna-se inviável economicamente.

torna-se inviável economicamente.

A estrutura de controle inferencial baseia-se na A estrutura de controle inferencial baseia-se na disponibilidade da medição de uma variável auxiliar (Y) disponibilidade da medição de uma variável auxiliar (Y)  para o controle de uma variável principal (

C O N T R O L E I N F E R E N C I A L

A medição em X é obtida continuamente, trata-se de uma amostragem rápida. No caso da variável Y é obtida de forma intermitente com menor frequência (Como por exemplo, medições off-line em laboratórios). É comum nas industrias a utilização de laboratórios de análises que conseguem medir a composição de uma dada amostra (Desde que se aplique técnicas precisas de análises). Porém existe um atraso considerável, o que inviabiliza esta aplicação para controle de  processo.

Um exemplo onde pode ser aplicado esta estratégia é em coluna de destilação, no caso em que a variável controlada é a composição na saída de topo. Pode utilizar dos dados de medição de temperatura do prato que serve como indicação inferencial da composição. Este tipo de controle é  baseado na hipótese de que a composição de determinado produto possa atender a sua especificação quando a temperatura do prato é mantida em um valor de referência.

Para este tipo de situação, a adoção de um sensor virtual seria uma saída para estimar as variáveis de interesse, pois este corresponde a um método indireto ou inferencial de medição em tempo real em que determinado modelo matemático, estático

ser empregado em conjunto com as variáveis medidas, como vazão, pressão e temperatura (Variáveis físicas). Com isso torna uma estratégia viável de ser aplicada, visto que instrumentos para estas variáveis são consolidados no mercado e possuem um baixo custo de implementação.

A denominação “sensor virtual” é um termo

recente, cuja origem está relacionada com as  principais aplicações desta técnica que é a substituição de sensores físicos pelo analógico via software. Também podem ser denominados de analisador virtual, soft sensor, estimador virtual ou on-line, e medidor inferencial. Quando não há muito conhecimento sobre o  processo de uma coluna de destilação, usa-se o método de inferência baseado na tecnologia de redes neurais com.

R E D E S N E U R A I S

SENSOR VIRTUAL

PARA MEDIÇÃO DE

COMPOSIÇÃO ON-LINE

Redes Neurais Artificiais (RNA) foi motivado pelo fato do processamento de informações do cérebro ser diferente de computadores convencionais. Funciona como um processador paralelo distribuído, constituído de unidade simples de processamento, que possui a propensão natural de armazenar conhecimento e experiências.

R E D E S N E U R A I S

Redes Neurais Artificiais (RNA) foi motivado pelo fato do processamento de informações do cérebro ser diferente de computadores convencionais. Funciona como um processador paralelo distribuído, constituído de unidade simples de processamento, que possui a propensão natural de armazenar conhecimento e experiências. Ela imita o cérebro em dois aspectos: o conhecimento é adquirido pela rede através do processo de aprendizado e o conhecimento adquirido é armazenado através da definição de pesos internos, análogos às conexões sinápticas dos neurônios (Haykin et al,.1999).

Figura 2: RNA com 4 entradas e 2 saídas [http://www.cerebromente.org.br/n05/tecnologia/rna.htm].

A solução de problemas através desta estratégia adotada é bem atrativa, visto que o paralelismo natural comum a arquitetura das redes neurais cria possibilidades para um desempenho bem satisfatório quando comparado aos modelos convencionais. As principais propriedades e capacidade dinfundidas são: não-linearidades, tolerância a falhas, adaptabilidade e mapeamento

R E D E S N E U R A I S

 Na arquitetura da rede existem algumas tipologias que definem o número de camadas, o número de unidades desta camada, escolha da função de ativação dentre outras. Esta são definidas como: Redes Feedfoward: · Linear: o Perceptron e Adaline · MPL – Multi-LayerPerceptron: o Backpropagation o Algoritmos avançados · RBF – Radial BasisFunctions · Redes probabilísticas Redes recorrentes: · Rede de Elman · Rede de Hopfield

 Neste trabalho terá uma aplicação prática do método de redes neurais através da implementação de um SENSOR VIRTUAL PARA MEDIÇÃO DE COMPOSIÇÃO ON-LINE de uma coluna de destilação binária. A tipologia adotada foi a de rede feedfoward MPL com algoritmo  backpropagation (Função no Matlabnewff ), que é a mais comum de ser utilizada por se tratar de

ser mais simples e pela capacidade de aproximar funções com um número finito de descontinuidades, desde que possua números suficientes de neurônios nas camadas ocultas. Esta se trata de um tipo de rede sem realimentação, onde a informação é distribuída pela rede em um só sentido com várias camadas (Normalmente usa-se 2 camadas ocultas).A utilização de uma camada oculta aproxima qualquer função contínua, com duas camadas consegue aproximar qualquer função não-linear (BRAGA;CARVALHO;LUDEMIR,1998). Os números de neurônios definidos vão de acordo ao número de variáveis de entrada e saída.

R E D E S N E U R A I S

Figura 3: Representação gráfica de uma RNA-MPL com duas camadas intermediárias[1].

O algoritmo backpropagation tem a capacidade de treinar redes MPL feedfoward com diferentes funções de transferência e permite mapear as relações lineares e não-lineares entre vetores de dados de entrada e saída.

R E D E S N E U R A I S

APLICAÇÃO PRÁTICA

Através do software MATLAB/SIMULINK foi possível simular o controle de uma coluna de destilação binária e acompanhar o desempenho com o uso da rede neural através do sensor virtual.

Figura 4: Coluna de destilação binária[SIMULINK].

RESULTADOS

O analisador virtual foi desenvolvido utilizando a ferramenta MATLAB. O sistema em questão é uma fracionadora em que se tem um analisador em linha que faz leituras a cada 5 minutos. Esse tempo de leitura, em termos de controle, deteriora o desempenho deste de forma considerável. Dessa forma, se faz necessário o desenvolvimento de um modelo em que se possa inferir o valor da variável a ser controlada. Para tal inferência, existem métodos de modelagem fenomenológica ou empírica, e tendo em vista que será um modelo de analisador, este é denominado analisador virtual.

R E D E S N E U R A I S

O primeiro passo foi coletar as informações referentes às variáveis da planta que tem impacto

sobre a variável controlada que será inferida. Em posse dessas informações, o treinamento da

rede neural foi realizado e o modelo do analisador virtual gerado. Assim, foi possível, no

ambiente simulado comparar os valores obtidos na planta, com os valores inferidos pelo

analisador virtual desenvolvido. A Figura 5 mostra os resultados encontrados frente aos

distúrbios inseridos na planta para validar o modelo desenvolvido.

R E D E S N E U R A I S

É visível a proximidade que a resposta do modelo tem em relação à planta, e sendo assim, se configura viável o desenvolvimento da estratégia de controle inferencial da variável que está sendo inferida pelo analisador virtual.O controlador foi desenvolvido e validado pelos testes realizados. Inicialmente foram realizados testes com a introdução de variações no setpoint do controlador para avaliar o desempenho frente ao caso servo. A Figura 6 mostra os resultados obtidos.

Figura 6 - Resultados com variações no setpoint no controlador de concentração.

Em seguida, foram introduzidos distúrbios na planta para avaliar o desempenho do controlador frente ao caso regulador. A Figura 7 mostra os resultados obtidos.