O documento discute como técnicas estatísticas multivariadas como Análise de Componentes Principais (PCA) e Mínimos Quadrados Parciais (PLS) podem ser usadas para monitorar e controlar processos de fermentação em batelada alimentada de forma integrada, detectando falhas nos sensores. Os autores desenvolvem um modelo PLS para prever a concentração de biomassa e controlar o processo, e mostram que ele pode detectar falhas nos sensores e isolar suas causas.
O documento discute como técnicas estatísticas multivariadas como Análise de Componentes Principais (PCA) e Mínimos Quadrados Parciais (PLS) podem ser usadas para monitorar e controlar processos de fermentação em batelada alimentada de forma integrada, detectando falhas nos sensores. Os autores desenvolvem um modelo PLS para prever a concentração de biomassa e controlar o processo, e mostram que ele pode detectar falhas nos sensores e isolar suas causas.
O documento discute como técnicas estatísticas multivariadas como Análise de Componentes Principais (PCA) e Mínimos Quadrados Parciais (PLS) podem ser usadas para monitorar e controlar processos de fermentação em batelada alimentada de forma integrada, detectando falhas nos sensores. Os autores desenvolvem um modelo PLS para prever a concentração de biomassa e controlar o processo, e mostram que ele pode detectar falhas nos sensores e isolar suas causas.
DEPARTAMENTO DE ENGENHARIA QUÍMICA E ENGENHARIA DE
ALIMENTOS PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA CONTROLE DE PROCESSOS
RESENHA DESCRITIVA
Discentes: Eloise de Sousa Cordeiro e Maíra Peixoto
ZHANG, Hongwei; LENNOX, Barry. Integrated condition monitoring and control
of fed-batch fermentation processes. Journal Of Process Control, [s.l.], v. 14, n. 1, p.41-50, fev. 2004.
Os autores nos mostram que os sistemas industriais de fermentação em
batelada alimentada apresentam um desafio para os engenheiros de sistemas. Isso ocorre por causa da falta de sensores online robustos para as variáveis chave de fermentação, como por exemplo a concentração de biomassa e gera um problema para a introdução de soluções avançadas de controle e otimização. Enfatizam também que atualmente os sensores como cromatógrafos líquidos e biossensores que servem para medir essas variáveis são muito caros e ainda sim pouco confiáveis para sistemas em larga escala. É por este motivo que a maioria de sistemas de controle de fermentação industrial é feito com sensor offline, o que segundo eles resulta no comprometimento da qualidade do controle. Neste artigo os autores veem como uma abordagem promissora a aplicação de técnicas estatísticas multivariadas de controle de processos como Análise de Componentes Principais (PCA) e Mínimos Quadrados Parciais (PLS - Partial Least Squares), que servem para detectar e isolar com precisão várias condições de falha, como a falha em um sensor de pH que deriva em um processo de fermentação industrial e contaminação por microrganismos. Em estudos anteriores, o monitoramento e o controle de processos de fermentação em batelada alimentada foram vistos como problemas independentes, mas neste artigo esses problemas são considerados em conjunto e um esquema integrado. Usando o algoritimo PLS os problemas no controle de processos são vistos como um conjunto e através deste modelo os autores foram capazes de detectar e isolar falhas durante o processo. Para investigar a aplicação do sistema de controle PLS, utilizou-se uma simulação de benchmark, que é um simulador chamado Pensim, baseado em uma série de modelos que descrevem um processo de fermentação por batelada alimentada com penicilina. Para a validação do modelo foram realizadas vinte bateladas, com a finalidade de treinar o modelo PLS. Essas bateladas foram denominadas bateladas de treinamento. No modelo foram usadas como variáveis de entrada ou causa: taxa de aeração do substrato, potência do agitador, temperatura de alimentação do substrato, concentração de substrato, concentração de oxigênio dissolvido, volume de cultura, pH, temperatura do fermentador e calor gerado. O modelo mostrou-se preciso e forneceu uma boa estimativa da variável de concentração de biomassa dentro do fermentador. Após o desenvolvimento do modelo PLS, ele foi integrado em um esquema de controle MPC para o simulador. O desempenho do sistema de controle baseado no modelo PLS desenvolvido quando aplicado ao simulador de benchmrk, demostra que a capacidade do esquema de controle MPC de regular a concentração de biomassa dentro do reator é possível para as trajetórias que foram pré- especificadas. Isso quer dizer que o controlador atuou bem somente quando as concentrações de biomassa do ponto final estavam entre 11 e 15. Nas faixas menores que 11 ou maiores que 15 o desempenho foi ruim, pois estas concentrações de ponto final não estavam presentes nas bateladas de treinamento. Em razão disso, o desempenho do sistema de controle se degradará à medida que as condições de operação se afastarem das condições em que o modelo foi treinado. A vantagem do uso de um modelo de PLS dentro do sistema de controle é que ele é capaz de fornecer algumas informações de diagnóstico sobre o status do sistema de controle. Em vez de tentar detectar a presença de qualquer condição de falha monitorando cada variável de processo de forma independente, duas estatísticas, referidas como estatísticas SPE e T2, são monitoradas. Os limites de controle podem ser colocados em torno dessas estatísticas que, se violadas, indicam desvios das condições do processo que foram registradas nos dados usados para desenvolver o modelo PLS. Portanto, o modelo PLS usado no controlador MPC também pode ser usado para detectar falhas no processo. Uma série de falhas foram introduzidas no processo e aplicadas na medição da aeração entre os tempos de 50 e 100h. A estatística SPE teve seu limite de controle violado imediatamente após a condição de falha ocorrer, já a estatística T2 não teve seu limite ultrapassado e mostrou-se incapaz de detectar essa condição de falha. Por isso, a estatística SPE é muito mais sensível a detecção de falhas e ela indicou corretamente que a variável de medição da aeração era a causa provável da condição de falha. O problema da maioria dos esquemas de controle de processo e detecção de falhas, é que quando se verifica uma detecção de uma condição de falha, como em um desvio em um sensor de pH, o esquema é inutilizado até que a falha específica seja identificada e resolvida. A medição de pH é usada pelo modelo PLS para prever a concentração de biomassa, uma vez detectada a medição do pH incorreta, o mesmo vai ocorrer para a previsão de biomassa feita pelo modelo. Como consequência da medição incorreta se tem um mal funcionamento do controlador preditivo e com isso a produtividade do lote poderá ser afetada. ZHANG e LENNOX verificaram que é importante que essa falha seja detectada e isolada rapidamente e após isso é necessário que um mecanismo seja implementado para que o controlador preditivo e o esquema de detecção de falhas possam funcionar normalmente apesar da falha. Dessa forma o artigo demonstrou que o modelo PLS pode fornecer inferência precisa de variáveis de qualidade como a concentração de biomassa, que muitas vezes são difíceis de medir usando sensores online. O mesmo modelo PLS também pode ser utilizado para detecção e isolamento de condições de falha dentro do reator e por fim esse modelo pode ser integrado a uma estratégia de controle preditivo para regular o crescimento de biomassa no reator. Com esta pesquisa concluiu-se que o PLS pode fornecer inferência precisa de variáveis de qualidade como a concentração de biomassa e que o mesmo modelo PLS também pode ser usado para fornecer detecção e isolamento das condições de falha dentro do fermentador e outra vantagem de usar o algoritmo PLS é que ele pode ser integrado dentro de uma estratégia de controle preditivo para regular o crescimento de biomassa no fermentador.