De acordo com Rassi (2004) quando se deseja implementar um controlador ou regulador em um sistema, normalmente assume-se que os estados do sistema so bem conhecidos. Entretanto, na maioria das vezes, os estados apresentam dificuldades ou impossibilidade de medio. Uma soluo para esse problema a estimao de estados, que se baseia na estimativa de um estado atual baseado nas sadas obtidas de medidas possveis. Um bom esquema de estimao de estado e parmetros de muito valor para fermentaes em batelada caso encontrado nas cervejarias principalmente pela falta de uso de instrumentos de medidas disponveis para algumas variveis importantes. Dado um modelo matemtico razoalvemente correto do processo, as informaes podem ser combinadas com um estimador para fornecer aos operadores dados mais completos sobre o progresso da fermentao (GEE & RAMIREZ, 1996) De forma simples, a estimao de estados pode ser representada de acordo com a Figura 1.
Figura 1 Esquema simplificado de estimao de estados.
A determinao acurada das grandezas que regem os sistemas qumicos e bioqumicos, por exemplo, de grande importncia prtica devido possibilidade de previso do comportamento dos mesmos (AMBRUS et al. 2006) De acordo com Gee& Ramirez (1996) a estimao de estados e parmetros pode ser realizadas por diversos mtodos, dos quais vale a pena destacar o Filtro de Kalman (para sistemas lineares) e o Filtro de Kalman Estendido (para sistemas no lineares). Se parmetros importantes do modelo so identificados usando um desses mtodos em conjunto com a estimao de estado, o analista tem uma grande chance de obter no apenas estados estimados confiveis mas uma informao sobre as mudanas que ocorrem no processo. Segundo Russel et al. (2000) existem diversos aspectos dos problemas de estimao para sistemas em batelada que so importantes para discusso. Um exemplo o fato que processos em batelada so processos de transio com um estado fixo no muito bem definido fazendo com que o uso de tcnicas de estimao no lineares so sempre necessrias. Outro fato a necessidade da estimao da incerteza do estado inicial ou alimentao, que deve ser modelada (normalmente como varivel aleatria). Isso importante pois uma alta incerteza na condio inicial pode resultar em baixa performance do estimador, principalmente na velocidade de convergncia. De acordo com Assis et al. (1996) o mais simples, porem menos preciso, mtodo para obter os dados estimados negligenciar todos os erros de medidas, rudos instrumentais etc. e correlacionar as medidas obtidas experimentalmente com as variveis desejadas. No obstante, uma aproximao mais sofisticada modelar os erros negligenciados e rudos no estimador. Quando esses fatores so modelados estatisticamente, o estimador chamado de filtro. 1.1.1 Filtro de Kalman Um mtodo muito utilizado para a estimao de estados e/ou parmetros de um sistema, a fim de obter um melhor controle de processo, o uso de algoritmos de filtragem. O termo filtro mais comum em sistemas fsicos de separao, como os utilizados para separar misturas lquido/slido e gs/slido e at soa estranho o uso do termo filtro para esses mtodos matemticos, porm, na dcada de 30 e 40 esse termo foi estendido para a separao de sinais dos rudos de dados obtidos em modelos matemticos (GREWAL & ANDREWS, 2001). A importncia de separar os sinais dos rudos ilustrada de forma bem clara por Brown (1983), onde ele cita que os rudos so sempre indesejveis e ilustra essa afirmao com o exemplo de rudos adicionais em sinais de radio que acabam por perturbar o desfrute de uma msica ou dificultam a compreenso das palavras do locutor. Assim como os rudos prejudicam os sinais de radio, prejudicam tambm os sinais obtidos dos modelos matemticos. Os problemas de filtragem so divididos em suavizao, filtragem ou predio de acordo com o que se deseja obter e controlar. Na suavizao a informao de um dado num certo perodo de tempo t no disponvel, com isso utilizam-se medidas obtidas em tempos posteriores ao t (como exemplo t + ) para obter a informao no tempo desejado (ANDERSON & MOORE, 1979). De acordo com Assis (1996), nos modelos, a filtragem relacionada com a obteno de um sinal a partir de dados disponveis, porm, portadores de certo grau de incerteza, ou seja, corrompidos por um rudo. O filtro resultante pode ser projetado para passar uma faixa de freqncia selecionada ou um intervalo de baixas ou altas freqncias. Segundo Anderson & Moore (1979) a predio a previso dos dados desejados a partir de dados j existentes. O objetivo principal obter a partir de dados num tempo t a informao de dados em um tempo t + . Para ilustrar o que seria uma predio, os autores usaram o corpo humano, mais precisamente o crebro, como exemplo. Quando algum tenta pegar uma bola, essa pessoa tem que prever a sua trajetria para melhor se posicionar e pega-la corretamente. Isso pode ser dificultado se a bola sofrer perturbaes aleatrias como ventos, mostrando que a predio se torna difcil se o meio tiver muitos rudos. Existem diversos mtodos utilizados para realizar a filtragem de sinais, uns com alto grau de complexidade e esforo computacional e outros com menor grau, alguns tipos podem ser observados na Tabela 2 extrada de Brookner, 1998.
Tabela 2 - Tipos de Filtros Filtro Wiener Filtro Polinomial sem Memria Filtro Polinomial com Memria Filtro de Kalman Filtro Bayes Filtragem por Mnimos Quadrados Filtro Benedict-Bordner Filtro Lumped Filtro g-h Filtro de Ganho de Memoria
Dentre os filtros citados, o que ser estudado e utilizado nessa dissertao o Filtro de Kalman como uma ferramenta de predio. Se for tomado pela origem da teoria de seu desenvolvimento, o Filtro de Kalman teve origem no sculo XVIII com o uso da teoria dos mnimos quadrados por Gauss no estudo das rbitas dos planetas. Porm o seu desenvolvimento como mtodo prprio tem origem na dcada de sessenta, dentro da rea da engenharia eltrica relacionado teoria do controle de sistemas, onde foi desenvolvido inicialmente por Rudolph Emil Kalman como uma soluo recursiva para filtragem linear de dados discretos. Para isto, utiliza equaes matemticas que, atravs de um estimador de estado, busca a correo resposta de um determinado sistema a partir de variveis conhecidas relacionadas a ele (CORREA, 2005). Grewal & Andrews (2001), definem o Filtro de Kalman como um estimador para os denominados Problemas quadrtico-lineares, que o problema de estimao de estados instantneos de um sistema linear dinmico perturbado por um rudo branco atravs do uso de medidas lineares relacionadas ao estado, porm corrompidas por rudos brancos. Para Welch (2004) um Filtro de Kalman simplesmente um algoritmo timo para processamento de dados recursivos. A sua otimizao provem da incorporao de todas as informaes que esto contidas no sistema. Esse filtro processa todas as medidas disponveis, sem se importar com a sua preciso, para estimar valores das variveis de interesse com o uso de:
- Conhecimentos dos dispositivos dinmicos do sistema e das medidas. - Descries estatsticas dos rudos do sistema, erros de medidas e incertezas nas dinmicas dos modelos. - Qualquer informao disponvel sobre as condies iniciais das variveis de interesse.
Alguns benefcios do Filtro de Kalman so citados por Brookner (1998), so eles:
- Fornece dados com preciso de posies preditas de objetos (radares, satlites, armas, etc.). - Alta preciso de calculo. - Permite manipulao otimizada de medidas que variam com o tempo de forma precisa. - Pode ser utilizado com alguns dados perdidos e tempos desiguais entre as medidas. - Permite o uso timo de uma informao a priori se disponvel. - Possui alta estabilidade.
O Filtro de Kalman possui uma vasta aplicao, onde muito utilizado para a predio de comportamentos dinmicos que normalmente no podem ser controlados, como o fluxo de rios durante uma inundao, a trajetria de corpos celestiais e preos de alguns produtos de exportao (GREWAL & ANDREWS, 2001). De acordo com Welch (2004) o problema geral do Filtro de Kalman a estimao de estados de um processo que governado pela equao de diferena estocstica linear:
x k = Ax k 1 +Bu k 1 +w k 1
(1)
Com uma medida z e 9 m que :
z k = Hx k + v k (2)
As variveis aleatrias w e v representam os rudos de processo e da medida (respectivamente). Esses termos so independentes um do outro, brancos, e com distribuio normal de probabilidade:
p(w) ~ N(0,Q) (3) p(v) ~ N(0,R) (4)
Na pratica, as matrizes de covarincia dos rudos do processo e da medida podem mudar a cada avano de tempo ou medida, entretanto, normalmente o valor assumido por elas constante. A matriz n x n A na equao de diferena est relacionada com o estado em um tempo anterior (k 1) para obter o estado no tempo desejado (k), na ausncia de uma funo principal ou rudo de processo. Vale observar que na pratica A deve mudar com cada passo do tempo, mas assume-se um valor constante para a matriz. A matriz n x l B relaciona a entrada de controle opcional u e 9 l para o estado x. A matriz m x n H na equao de medida relaciona o estado x k com a medida z k , A matriz H deve mudar com cada passo do tempo, mas assume-se um valor constante para essa matriz. O Filtro de Kalman faz a estimativa do processo utilizando uma forma de controle em feedback: o filtro estima o estado do processo e ao mesmo obtm o retorno na forma de (ruidosas) medidas. Como tal, as equaes para o Filtro de Kalman se dividem em dois grupos: equaes atualizadas com o tempo e equaes atualizadas com medidas. As equaes de atualizao de tempo so responsveis pela a obteno da projeo avanada (no tempo) do estado atual e da estimativa do erro de covarincia obtendo assim a estimativa a priori para o prximo passo. Essas equaes podem ser vistas como equaes de predio. As equaes de atualizao da medida so responsveis pelo feedback para assim incorporar uma nova medida na estimao a priori para obter uma melhor estimativa a posteriori. Essas equaes podem ser vistas como equaes de correo. Ao final obtm-se um algoritmo que pode ser denominado como um algoritmo de predio-correo para solucionar problemas numricos. Um ciclo simplificado desse algoritmo pode ser observado na Figura 2.
Figura 2 Ciclo do Filtro de Kalman.
O maior problema encontrado no uso do filtro de Kalman a estimativa da covarincia a ser aplicada para a situao estudada, esse valor normalmente escolhido de forma aleatria, porm condizente com a situao. A dificuldade que essa escolha gera quando, no algoritmo, se calcula o ganho do filtro de kalman, que baseado no valor estimado da covarincia (AKESSON, 2007). Existem diversos trabalhos na literatura que mostram a aplicao do filtro de kalman em diversos processos industriais e laboratoriais, onde esse mtodo se mostra muito eficaz na estimao de estados, parmetros e controle de processos. muito importante o uso de ferramentas computacionais precisas e seguras que permitam a estimao de estados e controle do processo.
1.1.2 Sensores Virtuais (Soft-Sensors) De acordo com Lotufo (2008) qualquer sistema de controle ou monitoramento requer o emprego de elementos de interface com o mundo real, ou mundo fsico. Assim, um processo industrial requer uma diversidade de sensores para poder observar e identificar seu estado atual e poder tomar decises de controle. Porm o estado atual muitas vezes difcil ou impossvel de ser medido devido a diversos fatores tais como: alto custo do sensor apropriado, inexistncia do sensor para determinada anlise, se a metodologia for manual se gasta tempo e reagentes e muitas vezes a informao precisa ser imediata. Lotufo (2008) explica esse problema usando como exemplo um de processo de fermentativo, onde monitoramento da concentrao de biomassa e/ou produtos secundrios essencial. A inexistncia de um sensor para medir essas concentraes em tempo real faz com que existam basicamente duas formas de se obter as informaes ou medidas destas variveis:
- Mtodo automtico atravs de um cromatgrafo ou densidade ptica, com custo da ordem de U$ 8000,00 (oito mil dlares). - Mtodo manual atravs de amostras coletadas periodicamente e analisadas por um especialista. Alm de no fornecer sinais contnuos no os fornece tambm com suficiente freqncia, portanto no sendo completamente satisfatria.
Para Hulhoven et al. (2007) a escassez de medidas on-line de variveis- chave de processos qumicos e biolgicos (como biomassa, substrato limitante, produtos e subprodutos de interesse) motivou o desenvolvimento de soft- sensor (sensor baseado em tcnicas de estimao de estados) para o monitoramento on-line. Esses sensores so chamados de observadores exponenciais e so caracterizados por uma taxa de convergncia ajustvel para o estado real definido por ajustes rgidos nos parmetros. Assis & Filho (2000) definem Software sensor ou soft sensor como a associao de um sensor (hardware), que permite medies on-line de algumas variveis do processo com um algoritmo de estimao (software) com o objetivo de fornecer estimaes on-line de variveis que no modem ser medidas, parmetros do modelo ou para diminuir atrasos de medidas. Diversas tcnicas de estimao so propostas na literatura onde dentre elas encontra-se o filtro de Kalman. As outras tcnicas mais comumente utilizadas so: Estimao atravs de balano elementar, observao adaptativa e redes neurais artificiais Esse sensor utiliza as metodologias de estimao de estados e parmetros (como o filtro de kalman e as redes neurais artificiais) aliadas ao monitoramento ou o controle realizados por computador auxiliado por medies de outros parmetros realizadas por sensores existentes. O soft-sensor pode ser considerado como o resultado da interseco da tecnologia de Sensores Inteligentes e das tcnicas de Modelagem e Identificao de Sistemas. Assim, o soft-sensor se mostra como uma boa alternativa em relao ao sensor tradicional (LOTUFO, 2008). Uma grande importncia e vantagem do uso dos soft-sensors a sua capacidade de boa amostragem, com um alto grau de confiana e com um acompanhamento da evoluo da varivel em questo ao longo de todo o processo estudado (VOJINOVIC, 2006).