See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/228413086

Sensores Virtuais ou Soft Sensors: Uma introdução

Article · January 2008

CITATIONS READS
2 3,333

2 authors:

Francisco Antonio Lotufo Claudio Garcia

São Paulo State University University of São Paulo
15 PUBLICATIONS   27 CITATIONS    121 PUBLICATIONS   565 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Industrial Automation: pH Neutralization View project

Modeling and Identification of industrial systems View project

All content following this page was uploaded by Francisco Antonio Lotufo on 25 August 2014.

The user has requested enhancement of the downloaded file.

 SENSORES VIRTUAIS OU SOFT SENSORS: UMA INTRODUÇÃO
Francisco Antonio Lotufo 1, Claudio Garcia 2
1
UNESP - FEG, Guaratinguetá, Brazil, falotufo@feg.unesp.br
2
USP - LAC, São Paulo, Brazil, clgarcia@lac.usp.br
Resumo: Sensores Virtuais ou Soft Sensors, possuem
implementado internamente um modelo que tem como
entradas variáveis secundárias que podem ser medidas, e
como saída a variável de interesse que deverá ser inferida.
São utilizados quando os sensores tradicionais apresentam
uma performance ruim ou quando existe a impossibilidade
de seu uso.
Keywords: sensores virtuais, soft sensors, modelagem e
identificação de sistemas.
1. INTRODUÇÃO
Qualquer sistema de controle ou monitoramento requer o
emprego de elementos de interface com o mundo real, ou
mundo físico. Assim, um processo industrial requer uma
diversidade de sensores para poder observar e identificar seu
estado atual e poder tomar decisões de controle.
Segundo González [1], “sensores são os olhos pelos
quais o comportamento de uma planta é visto e informação
sobre seu desempenho é obtida”.
Dado que as áreas de aplicação dos sensores são muito
diversas, existem sensores de muitos tipos, que são
especificados dependendo da natureza da variável que será
medida e das condições da aplicação. Nos processos
industriais pode haver tipos distintos de sensores medindo
diferentes variáveis que são relevantes ao controle ou
monitoramento do processo. Como processar os dados dos
sensores e fazer deduções acerca do processo com base
nestas informações é motivo de muito estudo, já existem
teorias de controle para se aplicar a informação segundo a
natureza do processo.
Porém, a medição em tempo real de algumas variáveis
importantes ao controle de certos processos industriais pode
ser impraticável. Isto pode acontecer por diversas razões,
como as situações nas quais o sensor adequado não existe ou
é proibitivamente caro, pelo que se desejaria uma maneira
de se estimar a informação desta variável. Em muitos casos
a informação sobre essa variável não mensurável existe,
porém em outras formas. Por exemplo, no caso de processos
de fermentação o monitoramento da concentração de
biomassa e/ou produtos secundários é essencial, todavia, não
existe um sensor para medi-las em tempo real, existindo
basicamente duas formas de se obter informações ou
medidas destas variáveis:
a) método automático através de um cromatógrafo ou
densidade óptica, com custo da ordem de U$ 8000,00
(oito mil dólares);
1
b) método manual através de amostras coletadas
periodicamente e analisadas por um especialista. Além
de não fornecer sinais contínuos não os fornece também
com suficiente freqüência, portanto não sendo
completamente satisfatória [2].
Para processos onde ocorre o exposto acima, ou seja,
aqueles em que é difícil medir a variável desejada devido ao
sensor disponível ser, por exemplo, muito caro, demasiado
lento ou inexato para a aplicação específica, mas mesmo
assim seja necessário fazer a medição desta variável, surge à
seguinte questão: como efetuar esta medição?
Portanto, em muitos tipos de processos industriais e em
outros casos onde se pode contar com uma multiplicidade de
sensores e se tem também o monitoramento ou o controle
realizados por computador, torna-se possível implementar
um sensor virtual (soft-sensor), o qual nada mais é que um
modelo que estima, em tempo real, a variável desejada a
partir de dados medidos da planta. Na obtenção destes
modelos são usados, como dados de entrada, os valores das
variáveis que influenciam a variável desejada.
O uso de um soft-sensor para estimar uma variável da
planta para a qual nenhum sensor é instalado fornece uma
oportunidade para melhorar o desempenho de uma planta. A
parte mais importante de um soft-sensor é um modelo
parcial de uma planta que permite a geração de uma medida
estimada para substituir as medidas reais que faltam [1].
1.1. Justificativas
Sensores são de indiscutível importância para a
Instrumentação, em diversas áreas da Engenharia e Ciências
aplicadas, pois permitem a percepção dos sistemas de
automação e controle, gerando informações usadas tanto
para o controle da planta, quanto para o monitoramento do
desempenho dos processos.
Por seu papel fundamental, os sensores vêm sendo foco
de constante evolução tecnológica, a fim de reduzir a um
número menor possível seus problemas e potencializar sua
atuação.
Entre os problemas enfrentados pelos sensores podemos
citar os descritos abaixo:
1. Erros de Medição;
2. Disponibilidade e Confiabilidade;
3. Atrasos de Medição;
4. Distância do ponto de medição;
5. Ambiente de medição;

6. Interferência no processo;
7. Preço.[3]
Na tentativa de solucionar ou amenizar os problemas
descritos acima e com a tecnologia digital, nasce um novo
conceito de instrumento que aliado a sistemas digitais como
microprocessadores ou microcontroladores, são capazes de
manipular computacionalmente as informações medidas e
transmiti-las da melhor forma possível. Esses instrumentos
são chamados de Instrumentos Inteligentes [4].
De acordo com Brignell [5], “instrumentos inteligentes
são aqueles que modificam seu comportamento interno para
aperfeiçoar sua habilidade para coletar dados do mundo
físico e os comunicar de uma maneira correspondente ao
sistema que os recebe”.
Mais recentemente surgiu, uma nova família de sensores
inteligentes, chamada de Soft-Sensors (Sensores Virtuais),
que possibilitam a medição de variáveis que não poderiam
ser medidas por sensores tradicionais, e mesmo que os
sensores tradicionais pudessem medi-las o fariam de
maneira limitada.
O sensor virtual (soft-sensor ou estimador inferencial)
pode ser considerado como o resultado da intersecção da
tecnologia de Sensores Inteligentes e das técnicas de
Modelagem e Identificação de Sistemas.
Modelagem
Sensores Soft
Inteligentes e problema têm incluído o desenvolvimento de estimadores
Sensor
Identificação
de Sistemas
Fig. 1. Soft-sensor, Sensor Inteligente e Modelagem e Identificação
de Sistemas
Para Assis e Maciel Filho [6], “soft-sensor é a associação
de um sensor (hardware), que permite medições on-line de
algumas variáveis do processo, com um algoritmo de
estimação (software) a fim de prover estimativas on-line de
variáveis não medidas, parâmetros do modelo ou superar
atrasos de medições”.
Essa associação entre sensor e modelo é a idéia
fundamental do soft-sensor. Podemos separar o soft-sensor
em duas partes distintas: a parte do sensor ou conjunto de
sensores, que medem variáveis relacionadas com a variável
desejada e a parte do modelo desta relação, geralmente
implementado em software, capaz de fornecer, por meio de
simulação, a variável desejada.
Assim, o soft-sensor é uma boa alternativa em relação ao
sensor tradicional, quando as variáveis de entrada podem ser
medidas sem os problemas já citados e quando a simulação
para a geração da variável desejada apresenta precisão e
tempo de computação aceitável.
Existem problemas no mundo real para os quais
inferência de variáveis, detecção e classificação de falhas,
previsão de desempenho, aproximação de funções não-
lineares e identificação de padrões são requeridos. Nestes
tipos de problemas, as soluções tornam-se caras e
complexas, se modelos tradicionais são os únicos
descrevendo o comportamento do sistema. Isto ocorre
2
Sensores Virtuais ou Soft Sensors: uma introdução
Francisco Antonio Lotufo, Claudio Garcia.
devido a vários fatores: tipicamente há grande quantidade de
informações envolvidas no problema; as limitações de um
modelo determinístico em generalizar, ou seja, tirar
conclusões gerais dos dados apresentados; a sensibilidade
dos modelos empíricos convencionais aos sinais de
perturbação ou às novas condições do processo, a
complexidade do modelo descrito ou simplesmente por
causa da não existência do modelo [7].
Uma das características de muitos processos industriais é
a complexa inter-relação entre suas variáveis, o que tem
levado ao desenvolvimento de técnicas que permitam a
estimação de algumas delas, através de informações
adquiridas por meio de outras que são medidas.
Apesar de medidas on-line serem bastante desejadas,
duas barreiras existentes para a viabilidade de medições on-
line das variáveis do processo incluem a ausência de
métodos de detecção apropriados e o alto custo dos métodos
conhecidos.
Isto, com freqüência, conduz ao monitoramento destas
variáveis importantes do processo através do uso de análises
off-line em laboratório que significam perda de densidade
de informação, demora na obtenção dos resultados e
normalmente requerem aumento do esforço humano,
resultando no desvio do processo das condições de operação
desejada, produzindo uma variabilidade insatisfatória e uma
redução no rendimento [8].
Estes efeitos adversos podem não serem aceitavelmente
superados pelo uso dos algoritmos de controle avançado
existentes. Esforços a fim de se superar ou diminuir este
inferenciais ou sensores virtuais. Há muitas variáveis
medidas on-line e que são amostradas de forma
relativamente rápida. Estas variáveis estão indiretamente
relacionadas às variáveis difíceis de medir.
Há duas metodologias usuais que podem ser adotadas na
construção de um modelo inferencial. Primeiro, a chamada
“bottom up”, uma proposição teórica pode ser tomada, que é
geralmente a abordagem preferida para tarefas de
modelagem em engenharia [9][10]. Contudo, ela requer um
entendimento das propriedades físicas e químicas básicas do
processo. Na indústria química, por exemplo, um
entendimento incompleto do processo freqüentemente
inviabiliza esta abordagem. Uma alternativa comum é
abordar o problema segundo a metodologia “top down” e
gerar um modelo de entrada-saída do processo através dos
dados coletados da planta, também conhecido como
identificação (modelagem) caixa-preta ou caixa-cinza [11].
1.2. Trabalhos anteriores em sensores virtuais
Desde 1999, anualmente é realizado um seminário
internacional patrocinado pelo IEEE em Sistemas de
Medidas Virtual e Inteligente (VIMS), apresentando
trabalhos em Tecnologias Emergentes em Instrumentação e
Medidas e em Sistemas Virtuais para Instrumentação e
Medidas. Como relatado em um artigo apresentado na
VIMS/2001 por Siegel [12], apesar de incluir ambos os
tópicos Instrumentos Virtuais e “Sensores Virtuais”, este
último historicamente quase não é descrito nos programas,
apesar de sua relevância e aplicação industrial ser
observada.
Uma tentativa de prover uma amostragem da gama de
abordagens e aplicações no campo de sensores virtuais, mas
sem o intuito de fazer uma revisão abrangente deste tema,
segue:
Em um trabalho de Muir (1990) da Universidade
Carnegie Mellon é empregado o termo “sensor virtual” para
descrever uma etapa intermediária de fusão e análise de
dados que poderia ser convenientemente considerado como
um substituto para um sensor hipotético.
Groen tratou de várias áreas de aplicação, dentre elas um
modelo baseado em visão robótica e outro utilizado em
sistema de débito automático para cobrança eletrônica de
pedágio utilizado em uma auto-estrada da Holanda [13].
Atkinson (1997) da Universidade de West Virginia
descreve um sistema de monitoramento de emissão
automotivo em tempo real empregando um sensor virtual
baseado em rede neural.
Dixon (1999) da Carnegie Mellon University relata um
ambiente virtual para modelar um sistema de robô móvel
múltiplo que inclui a capacidade para combinar sensores
reais e virtuais.
Kestell (2000) na Universidade de Adelaide (Austrália)
descreve um moderno controle ativo de ruído que emprega
sensores virtuais, aplicado em um avião monomotor para
redução do ruído dentro da cabine, que é um ambiente
extremamente ruidoso, especialmente com respeito à
redução de som em baixa freqüência.
Oosterom (2000) da Technical University of Delft
descreve um sensor virtual para aceleração de aeronave
usada em um sistema de detecção e identificação de falha
usando métodos de lógica nebulosa, em que o sensor virtual
pode ser aplicado, dentro do sistema de monitoramento, em
lugar de um dos vários sensores redundantes, sendo que esta
abordagem auxilia na identificação de sensores reais
defeituosos.
Haley (2000) da Purdue University relata um “sensor
virtual” para o organismo Listeria monocytogenes que
contamina produtos processados de carne. Baseado em um
modelo que descreve o índice cinético de mortalidade
térmica para o organismo em um tipo específico de carne
processada e um modelo de transferência de calor numérico
para pasteurização, o modelo retorna uma predição da
quantidade de organismos residuais.
Um dos parâmetros mais importantes dos processos em
biotecnologia são as concentrações de biomassa. A
biomassa é comumente definida como a massa ou o número
de células, ou como o total da massa microbial, apesar de
que a quantidade exata de interesse varia com a aplicação.
Leal Ascencio [2] [7] e Reynaga Gonzalez [14] propõem a
estimação inferencial, ou seja, uso de sensores virtuais para
se obter uma estimação da biomassa a partir de conjuntos
diversos de medições, por exemplo, taxa de evolução de
dióxido de carbono mais tempo transcorrido, e pH mais o
tempo transcorrido e taxa de evolução de carbono mais taxa
de evolução de oxigênio mais o tempo transcorrido.
Outro exemplo de aplicação surge na indústria de papel,
que usa sensores virtuais ou “soft-sensor” para determinar
parâmetros de qualidade considerados críticos da folha de
papel. Antes dos sensores virtuais, tais medidas tinham que
3
ser feitas depois do papel ser fabricado, quando uma
amostra era levada para uma análise de laboratório. Esta
aplicação foi desenvolvida por Srinivas Budarajhu,
engenheiro de aplicação da Pavilion Technologies, em seu
trabalho sobre uso de “soft-sensors” para predição das
propriedades de qualidade da folha durante a fabricação do
papel [15].
A empresa Pavilion Technologies, produz também o que
eles chamam tecnologia PEMS (sistema de monitoramento
de efluente preditivo), ou seja, um soft-sensor para aplicação
em plantas de tratamento de águas com o intuito de predizer
a demanda bioquímica de oxigênio para controle ambiental,
com aplicações em tratamento de água em indústrias de
papel, refinarias, processos químicos e estações de
tratamentos de águas e resíduos urbanos [16].
Uma aplicação industrial bastante interessante é a
descrita por Wil Chin da ARC Advisory Group, que explica
sobre um problema a ser considerado em instrumentação,
encontrado na indústria com a denominação de “parâmetros
intangíveis”, da seguinte maneira: “Parâmetros intangíveis
podem ser propriedades muito complexas de uma
substância, tais como sabor ou gosto, cremosidade, cor,
maciez ou suavidade, que podem somente ser
subjetivamente definidos. Embora um parâmetro intangível
possa ser vinculado a uma propriedade física da substância,
não há uma definição tipicamente conhecida”, e completa:
“tipicamente, parâmetros intangíveis devem ser medidos
sem ter qualquer conhecimento detalhado do parâmetro”
[15]. Chin disse ainda que parâmetros intangíveis podem ser
encontrados em todo o segmento industrial, incluindo as
indústrias de óleo e gás. A indústria de analisadores virtuais
ou sensores virtuais trabalha para fazer análises
“impossíveis”, ou seja, sua metodologia é medir tudo que
afeta a variável do processo, aplica experiência e regras, e
calcula o valor da variável sem obter uma medida física, em
outras palavras, os sensores virtuais deduzem o valor.
Podemos notar que os parágrafos anteriores estão longe
de ser uma revisão abrangente sobre o assunto “sensores
virtuais” vistos até agora, mas eles provêem uma
amostragem da gama de abordagens e aplicações que foram
consideradas, proporcionando-nos uma visão clara de que
nos seminários da comunidade VIMS, poucos trabalhos
foram e ainda estão sendo apresentados sobre este tema,
mesmo sendo um dos fóruns mais adequados para fazê-lo, e
que a maior parte dos trabalhos são acadêmicos com
algumas aplicações em escala industrial.
2. APLICAÇÕES DE SENSORES VIRTUAIS
Pode-se dizer que um ‘sensor virtual’ seja um sistema
projetado para substituir a indisponibilidade momentânea ou
permanente de um sensor em uma planta. Esta substituição
pode ser exigida porque o sensor real tenha falhado ou
porque ele foi removido para manutenção. Pode também
acontecer que o sensor real seja usado em uma forma
compartilhada (time-sharing), ou não exista no mercado um
sensor razoável disponível.
 Sensores Virtuais ou Soft Sensors: uma introdução
Francisco Antonio Lotufo, Claudio Garcia.

A Figura 2 mostra o diagrama de uma planta na qual a

variável ‘y’, medida usando um sensor, está para ser
SS1
substituída pelo sinal ‘ym’ fornecida pelo soft-sensor. Pode
também acontecer que um soft-sensor necessite ser PLANTA 1
2 1
projetado por que não existe um sensor disponível. Em geral 2
1
o soft-sensor é o modelo de uma parte da planta. As entradas 2
XT
para este modelo são outras variáveis medidas - controles, 2
1
saídas da planta e distúrbios medidos. O modelo usado pode 1
2
ser do tipo entrada-saída ou na forma de equações de estado 1
PLANTA 2
e de saída. Este último caso comumente conduz ao uso de SS2
um Filtro de Kalman Estendido. Em certos casos pode ser
apropriado usar modelos nebulosos (fuzzy) ou modelos
baseados em redes neurais, principalmente naqueles casos Fig. 3. Soft-sensors SS1 e SS2 são usados em duas malhas de
onde não se podem utilizar informações a respeito do controle quando o sensor XT é compartilhado no tempo entre as duas
processo, tendo-se como informações apenas os dados variáveis.
medidos da entrada e saída do processo, e procura-se utilizar
modelos locais ao invés de globais, com o intuito de se obter Outro problema importante ligado a soft-sensors é a
modelos mais facilmente interpretáveis. detecção de falha ou grave perda de calibração no sensor
Com referência ainda à Figura 2, quando o sensor real real.
está ativo, a chave está na posição ‘R’. Então o modelo do Se um sensor não está disponível, em alguns casos um
soft-sensor é identificado, enquanto a malha de controle usa soft-sensor pode ser desenvolvido e calibrado usando
o sinal ‘y’ dado pelo sensor real. Quando o sinal do sensor amostragem e análises off-line de laboratório, como descrito
não está mais disponível a chave deve ser virada para a na Figura 4.
posição ‘V’, em cujo caso a malha de controle usa o sinal
‘ym’ fornecido pelo soft-sensor, e a identificação do modelo Y
ou a estimação paramétrica é interrompida. SS
Y’
PLANTA 1
p1 .... pn

u1
. SENSOR ou y
. AMOSTRAS de
PLANTA
. LABORATÓRIO
ur AMOSTRAGEM LABORATÓRIO

R
Fig. 4. Soft-sensor no caso quando nenhum sensor real está disponível.
η1 η2 η3
V
A Figura 5 mostra o caso no qual o soft-sensor usa um
SOFT-SENSOR

ym modelo de estados da planta para estimar uma variável para

a qual nenhum sensor está disponível. Este procedimento
tem sido usado para estimar água e minério contidos em
uma retífica semi-autógena [17].
V
R
controlador MODELO da
PLANTA
yr
Fig. 2. Soft-sensor conectado a uma planta

A Fig. 3 descreve um compartilhamento no tempo (time- Y’

sharing) de um sensor entre diferentes pontos medidos do PLANTA
mesmo tipo em uma planta. Para aqueles pontos que são Y
momentaneamente desconectados do sensor real, o SS
correspondente sensor virtual fornece um sinal estimado.
Durante o intervalo de tempo em que o sensor real esteja
efetuando a medida, os correspondentes parâmetros do Fig. 5. Soft-sensor usando um modelo de planta quando nenhum
modelo do sensor virtual são estimados. Esta abordagem sensor real está disponível.
tem sido usada, por exemplo, para estimar a distribuição do
tamanho de partículas em uma planta de moagem Vários problemas, além daqueles de praxe em
(trituração) no Chile [17]. identificação de sistemas, surgem no desenvolvimento do
soft-sensor:
(i) seleção de um modelo para o soft-sensor;
(ii) escolha dos parâmetros do modelo do sensor virtual.

4
(iii) estimação da confiabilidade do soft-sensor como uma
função do tempo decorrido desde que ele foi colocado
em operação.
(iv) problemas causados na malha de controle pela
substituição do soft-sensor quando ele substituiu o
sensor real.
Em geral, um modelo satisfatório para controle baseado
em modelo não é necessariamente adequado para um soft-
sensor. De fato, o modelo de controle é normalmente usado
para predizer um sinal dentro de um período relativamente
curto, enquanto no caso de um soft-sensor, um longo
período de predição é normalmente necessário. Neste
contexto, por exemplo, um distúrbio de variação lenta - com
respeito ao tempo de resposta da planta - pode ser
considerado constante no caso de um modelo para controle,
mas pode necessitar ser representado em um modo dinâmico
em muito maior extensão de tempo de predição para o
modelo de soft-sensor.
Outro aspecto a ser considerado no modelo do soft-
sensor está relacionado à sua estrutura relativa à porção da
planta usada para representar o sinal desejado cuja medida
vai substituir. Quanto maior a parte da planta a ser
modelada, maior a complexidade do modelo resultante tende
a ser, e o tempo exigido para atualizar os parâmetros do
modelo pode ser muito mais longo. Também um número
maior de distúrbios não mensuráveis pode estar incluído,
causando o aumento dos erros de estimação do sinal. Um
modelo usando somente uma pequena parte da planta seria
então desejável, usando medidas que estão de algum modo
envolvidas com o sinal a ser predito. Mas, por outro lado,
como discutido abaixo, até mesmo se um bom modelo é
obtido usando uma porção convenientemente pequena da
planta, problemas sérios podem surgir quando o soft-sensor
é chamado para substituir o sensor real em uma malha de
controle.
Outro problema relacionado à estrutura do modelo, que
pode levar um modelo de soft-sensor a ser diferente de um
modelo usado em controle (baseado em modelo) está
relacionado à determinação da estrutura do modelo (por
exemplo, achando quais são os componentes importantes -
sinais medidos, incluindo atrasos diferentes e formas
funcionais diferentes-) que constituem as entradas do
modelo. Estes podem ser determinados usando vários
métodos. Em algumas plantas, onde perturbações medidas
têm uma grande influência na variável a ser predita pelo
modelo, pode acontecer que o controle seja eliminado da
estrutura. Isto é correto para um modelo de soft-sensor, mas
certamente não para um modelo de controle, onde o
componente de controle deve ser forçosamente incluído
(contudo o problema de controle pode se tornar difícil
devido a esta situação).
A capacidade de um soft-sensor funcionar conforme
esperado, eficientemente e sem falhas, ou seja, a
confiabilidade de um soft-sensor é outra questão a ser
considerada:
5
(i) no momento que o soft-sensor está para ser colocado
em operação, e
(ii) durante o período em que ele está em operação.
No primeiro caso, a fim de descobrir se o soft-sensor
está apropriado, quando ele estiver para ser colocado em
operação, seu desempenho deve ser avaliado durante um
período de tempo t c antes da falha. Isto é feito na verdade,
medindo o erro quadrático médio entre a saída do soft-
sensor e o sinal real (que está na verdade sendo medido)
durante um período adequado de tempo t c antes da falha.
Visto que t c não é conhecido com antecedência,
permanentemente períodos de testes sobrepostos são
necessários.
No segundo caso esta confiabilidade pode ser expressa
em termos da probabilidade que o erro quadrático médio
entre a saída do soft-sensor e a agora não mensurável
variável real ultrapassar um certo limite em um dado
instante durante o período de operação do soft-sensor.
Técnicas de modelagem específicas para soft-sensors
usando redes neurais, conjuntos e agrupamentos (clustering)
nebulosos, constituem um interessante desenvolvimento a
ser pesquisado.
Embora testes experimentais tenham sido efetuados em
plantas industriais, muito mais pesquisas são requeridas para
garantir aplicações práticas bem sucedidas. Entre outros
temas, a oportuna descoberta de um sensor falho é de suma
importância;
(i) que os parâmetros do modelo venham a ser
incorretamente estimados, e
(ii) a fim de trocar o sensor e o soft sensor a tempo.
Em geral, então, a tese de soft-sensors é um rico campo
para pesquisa, que pode conduzir a aplicações industriais,
visto que eles fornecem uma maneira para aumentar a
robustez da malha de controle, ou no mínimo proporcionar
um meio a ela para diminuir em qualidade de forma gradual
na eventualidade de falha ou remoção do sensor.
3. MÉTODOS UTILIZADOS
O sensor virtual (soft-sensor) pode ser dividido, como
mencionado anteriormente, em duas partes principais, uma
composta pelos sensores propriamente ditos e outra
composta pelo modelo. Cada uma dessas partes pode ser
projetada de maneira independente e depois integradas entre
si.
De forma geral, são usados sensores disponíveis
comercialmente e o objetivo final está concentrado no
modelo implementado em software. São muitos os métodos
usados para estimar variáveis através de outras variáveis
medidas. De acordo com Ljung [18] e também Ohshima e
Tanigaki [19], esses métodos podem ser classificados e
divididos em três grandes grupos:

 Modelos Fenomenológicos – obtidos através de
uma abordagem analítica, são os chamados
modelos mecanicistas, derivados dos princípios
básicos ou fundamentais;
 Modelos Empíricos - provenientes de dados
obtidos em laboratório;
 Modelos Caixa-Preta - obtidos de dados
operacionais através da aplicação de algoritmos
como redes neurais, computação nebulosa e/ou
métodos estatísticos, tais como análise
multivariável e PLS (Partial Least Squares);
Portanto, o desenvolvimento de modelos matemáticos de
sistemas reais é um tema importante em muitas disciplinas
da engenharia e ciências. Modelos podem ser usados para
simulações, análises do comportamento de sistemas, melhor
entendimento dos mecanismos (básicos) fundamentais do
sistema, projeto de novos processos, ou projeto de
controladores.
Tradicionalmente, a modelagem é vista como uma
conjunção de um completo conhecimento da natureza e do
comportamento do sistema, e de um tratamento matemático
apropriado que conduz a um modelo utilizável. Esta
abordagem é comumente denominada modelagem caixa-
branca (“white-box”) e também conhecida como
modelagem pela física ou natureza do processo [9].
Contudo, na prática, a condição essencial para um bom
entendimento dos fundamentos físicos do problema à mão
demonstra ser um severo fator limitante, principalmente
quando são considerados sistemas complexos e de
conhecimento insuficiente. Dificuldades encontradas em
modelagem convencional do tipo caixa-branca podem
surgir, por exemplo, da pobre compreensão dos fenômenos
básicos (fundamentais), valores incorretos de vários
parâmetros do processo, ou da complexidade do modelo
resultante. Um completo entendimento dos mecanismos
básicos (fundamentais) é praticamente impossível para a
maioria dos sistemas reais.
Assim, reunir um aceitável grau de conhecimento
necessário para a modelagem física pode ser uma tarefa
muito difícil, consumir muito tempo ou recursos ou até ser
impossível. Mesmo se a estrutura do modelo estiver
determinada, permanece um outro problema que é a
obtenção dos valores exatos para os parâmetros, ou seja, a
tarefa de identificação do sistema para estimar os
parâmetros dos dados medidos no sistema. Métodos de
identificação estão atualmente em um nível amadurecido
somente para sistemas lineares. Muitos processos reais são,
contudo, não-lineares e podem ser aproximados por modelos
lineares apenas localmente.
Uma abordagem diferente assume que o processo a ser
estudado possa ser aproximado através de alguma estrutura
do tipo caixa-preta (“black-box”), bastante comum, usada
como um aproximador de funções genéricas. O problema de
modelagem reduz-se então ao requisito de uma estrutura
apropriada do aproximador, a fim de se apreender
corretamente as dinâmicas e não-linearidades do sistema. Na
modelagem caixa-preta, a estrutura do modelo está mal
relacionada à estrutura do sistema real, assim o problema de
identificação consiste na estimação dos parâmetros do
6
Sensores Virtuais ou Soft Sensors: uma introdução
Francisco Antonio Lotufo, Claudio Garcia.
modelo. Se dados representativos do processo estiverem
disponíveis, modelos do tipo caixa-preta, comumente podem
ser desenvolvidos muito facilmente, sem necessitar de
conhecimento específico do processo. Uma grave
desvantagem desta abordagem é que a estrutura e os
parâmetros destes modelos comumente não têm qualquer
significado físico. Tais modelos não podem ser usados para
analisar o comportamento do sistema a não ser em
simulação numérica, e o modelo obtido não pode ser
ampliado ou reduzido (em proporção) quando se passar a
operar em outra faixa de operação do processo.
3.1. Modelos utilizados em Soft Sensor
É possível observar na literatura que diversas técnicas
são empregadas para a identificação de modelos utilizados
pelos Sensores Virtuais (Soft Sensors). A mais simples de
todas estas técnicas é a identificação linear paramétrica
que utiliza modelos compostos por somatórias de funções
simples ponderadas por parâmetros, que podem ser
encontrados através de técnicas de regressão tal como
somatória dos mínimos quadrados. Modelos utilizados
para essa identificação são do tipo entrada-saída tais como
ARMA, ARX, NARX, ARMAX e NARMAX.
Quando são utilizados modelos do tipo espaços de
estados, é dado o nome de observador ou estimador de
estados. O observador pode ser exato quando fornece o
estado diretamente, ou assintótico quando seu limite tende
ao estado exato para tempo infinito. Estes tipos de modelo
são mais usados quando lineares, pois o caso não linear se
torna muito complicado.
Ao se conhecerem a média e a covariância dos erros
cometidos por um observador, é possível a utilização de
técnicas de filtragem para se alcançar maior precisão. O
Filtro de Kalman é o estimador otimizado de estados para
sistemas lineares quando um modelo do sistema e o
conhecimento de certas propriedades estocásticas das
medições são disponíveis. O Filtro de Kalman Estendido é
uma extensão da abordagem do Filtro de Kalman linear para
equações diferenciais ordinárias lineares.
Um método que está se tornando muito popular e que
vem sendo bastante utilizado é a Rede Neural Artificial,
que possue capacidade de aprendizado e adaptação pela
imitação do funcionamento de sistemas neurais biológicos
em um nível simplificado. Inspirada no funcionamento do
cérebro humano, ela é baseada em simples elementos
funcionais, chamados neurônios, ligados entre si por
conexões ponderadas por pesos que funcionam como
parâmetros e podem assumir diferentes valores. A escolha
certa dos pesos permite identificar sistemas não lineares de
maneira simples.
Muitas vezes a informação para a identificação do
sistema não está em dados de ensaio e sim no conhecimento
que um determinado especialista tem sobre o assunto.
Sistemas Especialistas são concebidos de maneira a conter
este conhecimento.
O fato de que humanos são freqüentemente aptos a
conduzir tarefas complexas sob significante incerteza tem
estimulado a pesquisa por padrões alternativos de
modelagem. Têm sido introduzidas assim as chamadas
metodologias de modelagem "inteligentes", que empregam
técnicas motivadas por sistemas biológicos e inteligência
humana para desenvolver modelos para sistemas dinâmicos.
Estas técnicas exploram métodos de representação
alternativa, usando, por exemplo, linguagem natural, regras, A destilação batch é usada, neste exemplo, para separar
modelos qualitativo, e possuem métodos formais para uma mistura zeotrópica ternária, que é executada em um
incorporar informações suplementares relevantes. retificador batch de 20 bandejas de acordo com
Modelagem nebulosa é exemplo típico de técnicas que procedimento de operação de refluxo constante. Nesta
fazem uso do conhecimento humano e processos dedutivos estratégia, a coluna é inicialmente operada em refluxo total.
[20]. Quando a composição de destilado encontra a especificação
A Lógica Nebulosa é uma generalização da Lógica de qualidade desejada, a retirada do destilado é iniciada, e
Clássica para conceitos imprecisos ou nebulosos. Tal como produtos e cortes residuais (“slop cuts”) são
um Sistema Especialista, Sistemas de Inferência Nebulosos seqüencialmente coletados do topo e segregados em tanques
podem ser obtidos da descrição lingüística do sistema, dada separados. O corte mais pesado é recuperado do “reboiler”
pelo especialista. no fim do batch. O diagrama esquemático da coluna batch é
Também podem ser encontrados métodos inspirados na mostrado na Figura 6 abaixo:
natureza, como Algoritmos Genéticos baseados na seleção
natural e nas leis de Darwin.
Uma outra abordagem, que também vem sendo bastante
usada para identificação de sistemas, quando estes
apresentam alta dimensionalidade e boa correlação linear
entre suas variáveis, é a utilização de Métodos Estatísticos
Multidimensionais como, por exemplo, Análise de
Componentes Principais e Mínimos Quadrados Parciais.
Uma restrição deste tipo de método é o fato de que somente
informação linear é extraída dos dados. Existem métodos
estatísticos, como a Regressão Localmente Ponderada
(LWR), que aliviam esta restrição, podendo ser usados para
sistemas não lineares.

4. EXEMPLOS
Como descrito anteriormente, os Sensores Virtuais ou
Soft Sensors podem ser usados no lugar de qualquer outro
sensor tradicional, portanto em qualquer campo da
Instrumentação. Há porém, algumas áreas nas quais o sensor
tradicional apresenta severas limitações e a preferência pelo
Soft Sensor é, cada vez mais, considerada.
Uma destas áreas é a de processos químicos complexos,
como polimerização, colunas de destilação e bioprocessos.
Há nestes processos variáveis cujo sensor tradicional
apresenta problemas de preço e precisão (sensor de
concentração de substâncias específicas) ou problemas de
atraso de medição (análises laboratoriais de DBO, biomassa
e MI). Há também outras variáveis que não possuem sequer
instrumentos tradicionais para serem medidas, sendo a única
alternativa possível o Soft Sensor.
Soft Sensors também têm sido usados para aumentar a
confiabilidade e disponibilidade dos sensores tradicionais.
Enquanto o sensor está presente, o soft sensor usa suas
medidas para atualizar os parâmetros de seu modelo, para
em sua ausência, predizer seus valores perdidos.
Dois exemplos interessantes encontrados na literatura
que ilustram a dificuldade que se tem em alguns processos
para se obter informações, ou seja, medidas de variáveis
importantes que de certa forma só é possível através de
análise laboratorial, são descritos a seguir:
4.1. Desenvolvimento de um sensor virtual (soft sensor)
para uma coluna de destilação batch usando técnicas de
regressão PLS [16]
Fig. 6. Diagrama esquemático do retificador batch.
O objetivo do processo é ter todos os produtos
satisfazendo a especificação de pureza fixada. Para cada
produto, o limite mais baixo na pureza é 0,95 (fração molar)
para o componente dominante nesse produto. É assumido
que medidas de temperatura estão disponíveis para o “still
pot” e quatro bandejas (bandejas 5, 10, 15, 20, considerando
um esquema de numeração da base para o topo). Estas
medidas são usadas para estimar a composição dos
componentes leves e intermediários no fluxo destilado
(xD(1) e xD(2), respectivamente), e a composição do
componente pesado na base (xB(3)) por meio de um soft
sensor baseado em PLS.
Em geral, os requisitos para monitoramento em malha
aberta são diferentes daqueles para controle. Contudo, para
o retificador batch, somente os requisitos para
monitoramento necessitam ser tratados, porque a coluna é
basicamente operada em um modo de malha aberta (isto é,
em razão de refluxo constante).

7

Zamprogna et al, utilizam várias abordagens de
regressão PLS para estimar a qualidade dos produtos obtidos
de uma coluna de destilação batch não somente no fim do
processo, mas também durante a completa duração do batch
(fila, batelada). Um sensor virtual (soft sensor) baseado em
PLS é desenvolvido de medidas de variáveis secundárias do
processo e uma base de dados histórica simulada. Assim,
várias questões são dirigidas tais como uma comparação da
performance de modelos PLS lineares e não lineares, a
seleção das variáveis de entrada mais informativas para os
modelos PLS, e os efeitos do aumento dos dados originais
do processo com medidas atrasadas. Por fim, uma nova
abordagem de regressão PLS é proposta a qual é baseada no
desenvolvimento de modelos de regressão múltiplas para
diferentes porções ou fases, do processo batch.
4.2. Um sensor virtual não linear para monitorar a
cota de nitrogênio interno de células de phytoplancton [21]
O importante papel representado pela alga
(phytoplancton) no ciclo de carbono no oceano tem
aumentado os estudos visando melhorar o entendimento e a
modelagem do crescimento deste phytoplancton. É,
portanto, importante ter sensores que possam monitorar
precisamente o estado interno das células de phytoplancton
durante o experimento. Porém, há uma carência de sensores
confiáveis capazes de fornecer estimação em alta freqüência
de sinais biológicos tais como biomassa ou variáveis
fisiológicas relacionadas.
É mostrado neste estudo que é possível superar isto
empregando soft sensors (sensores virtuais), isto é,
algoritmos que são usados para reduzir os efeitos de ruído
de medidas assim como estimar variáveis que não são
medidas.
Estas ferramentas que tiveram sua origem na teoria de
controle foram inicialmente desenvolvidas para sistemas
lineares e mais recentemente tem sido estendida para
sistemas químicos não lineares. Eles são baseados em saídas
de modelos matemáticos constantemente modificados por
um processo de ajuste de trajetória conduzida por medidas
parciais obtidas do sistema, como é mostrado na Figura 7:
Fig. 7. Diagrama sinóptico de um soft sensor
Como é possível observar na figura acima, o soft sensor
combina o conhecimento teórico de um sistema por
intermédio de um modelo matemático, e o conhecimento
prático de seu funcionamento real através de medidas. Se as
entradas agindo no sistema são conhecidas (e contanto que
condições teóricas sejam satisfeitas), e se, alem disso, o
modelo é uma aproximação adequada do sistema real, então
o software sensor estima o completo estado do sistema.
Por isso, se o modelo desempenhar as chamadas
propriedades de observabilidade, o software sensor fornece
estimativas em tempo real das variáveis chaves do processo
8
Sensores Virtuais ou Soft Sensors: uma introdução
Francisco Antonio Lotufo, Claudio Garcia.
através das medidas on-line disponíveis. O essencial deste
dispositivo teórico encontra-se na justaposição dos dois
tipos de informação disponível no sistema: seu
comportamento teórico, mantido pelo modelo, e seu
comportamento observado, representado pelas medidas on-
line. Seus êxitos contam com o fato que incertezas
estocásticas nos parâmetros causam um ruído no sinal
medido que é então filtrado por um soft sensor.
Bernard et al, propõem então projetar um soft sensor não
linear para uma cultura em “chemostat” (dispositivo usado
para cultura de bactéria – um aparato projetado para permitir
o crescimento de culturas de bactérias em taxas controladas)
da alga verde Dunaliella Tertiolecta.
Os autores apresentam, em primeiro lugar, o modelo
Droop descrevendo o crescimento de células de
phytoplancton sob limitações de nutrientes em cultura
contínua (chemostat). Eles então definem uma classe de
modelos mais geral que o modelo Droop que encontra
numerosas aplicações em ecologia e oceanografia.
Estes modelos satisfazem as condições apropriadas que
garantem a convergência exponencial dos observadores não
lineares. Apresentam também, o observador para estes
modelos e derivam um observador de alto ganho baseado no
modelo Droop para o monitoramento do phytoplancton.
Depois de uma revisão dos materiais e métodos usados,
eles aplicam o soft sensor a experimentos reais, e extraem
conclusões na validade e na eficiência do soft sensor.
5. CONCLUSÃO
Sensores inteligentes são uma revolução na
instrumentação. Sua utilização viabilizou o uso de sensores
em muitas situações em que os problemas apresentados pelo
sensor tradicional tornavam sua aplicação impossível e
proibitiva.
Como um novo modelo aos sensores inteligentes, o soft
sensor, sensor virtual ou estimador inferencial nasce do
casamento do conceito de instrumentos inteligentes com as
teorias de modelagem e identificação de sistemas, elevando
ainda mais os objetivos da instrumentação.
Processos em que nunca ninguém tinha pensado em
automatizar podem ser monitorados on-line ou controlados
em malha fechada, com a utilização do soft sensor.
Assim, o Soft Sensor vem preencher uma lacuna
tecnológica e contribuir para a melhoria da Instrumentação
Inteligente.
REFERÊNCIAS
[1] GONZALEZ, G. D. Soft Sensors for processing plants.
In: Proc. 2nd International Conference on Intelligent
Processing and Manufacturing of Materials, IPMM 99,
Hawaii, July 10-15, v. 1, p.59-70, 1999.
[2] LEAL ASCENCIO, R.R.; HERRERA LÓPEZ, E.J.
Sensores virtuales mediante redes neuronales
artificiales. Dos estudios de caso en biotecnología. In:
Memorias de la Conferencia Internacional
CONIELECOMP, México. 1998. Disponível em:
<http://iteso.mx/~rleal/archivos/conielec.pdf>. Acesso
em : 9 mar. 2003.
[3] ASSOCIAÇÃO BRASILEIRA DE NORMAS
TÉCNICAS. Instrumentos Elétricos e Eletrônicos de
 Medição - Terminologia - NBR 6509. Rio de Janeiro, [14] REYNAGA GONZALEZ, C.F.; LEAL ASCENCIO,
1986. R.R. Estimación de biomasa y pigmento en línea para
una fermentación tipo fed-batch utilizando redes
[4] BERNI, C.C. Implementação em hardware/firmware
neuronales artificiales. In: Memorias del congreso
de um sensor virtual utilizando algoritmo de
SOMI XV, Guadalajara, Mexico, oct. 2000, Disponível
identificação nebulosa. 179p. Dissertação (Mestrado) – em: < http://iteso.mx/%7Erleal/archivos/estima.pdf>.
Escola Politécnica, Universidade de São Paulo. São
Acesso em : 9 mar. 2003.
Paulo, 2004.
[15] MERRITT, R., HARDWARE VS. VIRTUAL
[5] BRIGNELL, J.E. The future of intelligent sensors: a
ANALYZERS. Control Magazine. Março 2002.
problem of technology or ethics? Sensor and Actuator
Aplicações de sensores virtuais em fabricação de papel.
A, vol. 56, p.11-15, 1996.
Disponível em: <http://www.controlmagazine.com/
[6] DE ASSIS, A. J.; FILHO, R. M. Soft sensors Web_First/ct.nsf/ArticleID/PSTR-56KM99>. Acesso
development for on-line bioreactor state estimation. em: 06 de set. 2002.
Computers and Chemical Engineering. vol. 24,
[16] ZAMPROGNA, E.; BAROLO, M.; SEBORG, D. E.
p.1099-1103, 2000. Development of a Soft Sensor for a batch distillation
[7] LEAL ASCENCIO, R.R.; AGUILERA GALICIA, C.R. column using linear and nonlinear PLS regression
Biomass estimation using artificial neural networks on techniques. In: Proc. 15th Triennial World Congress,
field programmable analog devices. In: The 2000 IEEE IFAC 02, Barcelona, 2002.
International Symposium on Industrial Electronics,
[17] GONZALEZ, G.D. et al. Issues in soft-sensor
Mexico. 2000. Disponível em: <http://iteso.mx/~rleal
applications in industrial plants. In: Symposium
/archivos/hardvirtual.pdf>. Acesso em : 9 mar. 2003. Proceedings, ISIE 94, IEEE Trans. Ind. Electron., 1994,
[8] GALINDO HERNÁNDEZ, M.L.; LEAL ASCENCIO p.380-385.
R.R.; AGUILERA GALICIA, C. An artificial neural [18] LJUNG, L. System Identification: Theory for the
network on a complex programmable logic device as a
User. New Jersey: Prentice-Hall, 1987.
virtual sensor. In: Proceedings of the International
Symposium on Robotics and Automation - ISRA'98, [19] OHSHIMA, M.; TANIGAKI, M. Quality control of
Saltillo, Coahuila, MEXICO, 1998, p.12-14. polymer production processes. Journal of Process
Control, v.10, n.2-3, p.135-148, 2000.
[9] AGUIRRE, L.A. Introdução à identificação de
sistemas: técnicas lineares e não-lineares aplicadas a [20] BABUŠKA, R. Fuzzy systems, modeling and
sistemas reais. Belo Horizonte: Editora UFMG, 2000. identification. In: Knowledge-Based Control Systems
554p. (lecture notes for the course ET4-099), Delft University
of Technology, Holanda. 2000. Disponível em:
[10] GARCIA, C. Identificação de Sistemas. São Paulo, <http://tiger.ees.kyushu-u.ac.jp/~hu/Reference/Online/
Universidade de São Paulo, Junho de 2003./ Notas de
fuzzmod.pdf>. Acesso em : 20 abril 2001.
Aula do curso PTC-5719, São Paulo, 2003.
[21] BERNARD, O.; SCIANDRA, A.; SALLET, G. A non-
[11] ESMAILY-RADVAR, G. Soft sensor development
linear software sensor to monitor the internal nitrogen
using nonlinear inferential modeling. In: CME
quota of phytoplanktonic cells. Oceanologia Acta, v.
DEPARTAMENTAL SEMINAR, CPC GROUP,
24, n.5, p.435-442, 2001.
Departament of Chemical & Materials Engineering,
University of Alberta, Canada. 2001. Disponível em: <
http://www.ualberta.ca/CMENG/research/new-
control/seminars>. Acesso em : 9 mar. 2003.
[12] SIEGEL, M. Sensor modeling and simulation: Can it
pass the Turing Test? VIMS2001: Workshop Virtual
and Intelligent Measurement Systems. Budapest, 2001.
Disponível em: <http://www.cs.cmu.edu/~mws>.
Acesso em: 11 maio 2003.
[13] SOFT SENSOR – WASTEWATER, Pavilion
Technologies. Aplicações de soft-sensor em tratamento
de água. Disponível em: <http://www.pavtech.com
/pavilion/value/industry/environmental/Environmental
_Water.html>. Acesso em: 06 de set. 2002.

View publication stats