CONTROLE AVANÇADO

E S T R AT É G I A S D E C O N T R O L E

CONTROLE INFERENCIAL

O controle inferencial é uma estratégia de controle adotada

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

A estrutura de controle inferencial baseia-se na

disponibilidade da medição de uma variável auxiliar (Y)
para o controle de uma variável principal (X).

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

A medição em X é obtida continuamente, trata-se ser empregado em conjunto com as variáveis

de uma amostragem rápida. No caso da variável medidas, como vazão, pressão e temperatura
Y é obtida de forma intermitente com menor (Variáveis físicas). Com isso torna uma

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,
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
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.

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.

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
ou dinâmico, do processo podendo

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).

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
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

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 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

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 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.

Figura 5 - Validação do analisador virtual [SIMULINK].

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.

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.

Figura 7 - Resposta do sistema frente a perturbações introduzidas.

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