UNIVERSIDADE FEDERAL DE SANTA CATARINA

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.