Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
E S T R AT É G I A S D E C O N T R O L E
CONTROLE INFERENCIAL
R E V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
CONTROLE INFERENCIAL
frequência (Como por exemplo, medições off-line estratégia viável de ser aplicada, visto que
instrumentos para estas variáveis são
em laboratórios). É comum nas industrias a
consolidados no mercado e possuem um baixo
utilização de laboratórios de análises que
custo de implementação.
conseguem medir a composição de uma dada
amostra (Desde que se aplique técnicas precisas A denominação “sensor virtual” é um termo
de análises). Porém existe um atraso considerável, recente, cuja origem está relacionada com as
principais aplicações desta técnica que é a
o que inviabiliza esta aplicação para controle de
substituição de sensores físicos pelo analógico
processo.
via software. Também podem ser denominados
Um exemplo onde pode ser aplicado esta de analisador virtual, soft sensor, estimador
estratégia é em coluna de destilação, no caso em virtual ou on-line, e medidor inferencial.
que a variável controlada é a composição na saída Quando não há muito conhecimento sobre o
de topo. Pode utilizar dos dados de medição de processo de uma coluna de destilação, usa-se o
método de inferência baseado na tecnologia de
temperatura do prato que serve como indicação
redes neurais com.
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.
R E V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
REDES NEURAIS
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 V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
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).
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
de entrada e saída.
R E V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
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 V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
R E D E S N E U R A I S
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 V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
R E D E S N E U R A I S
APLICAÇÃO PRÁTICA
RESULTADOS
R E V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
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 V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O
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.
R E V I S TA C O N T R O L E A V A N Ç A D O 1 ° E D I Ç Ã O