MONITORAMENTO INTEGRADO DE CONDIÇÕES E CONTROLE DE PROCESSOS DE

FERMENTAÇÃO EM BATELADA ALIMENTADA

Discentes: Eloise De Sousa Cordeiro

Maíra Peixoto
 Introdução

• Os sistemas industriais de fermentação em batelada alimentada apresentam

um desafio muito difícil para os engenheiros de sistemas.

• Sensores on-line para variáveis chave de fermentação, como concentração

de biomassa.

• Controle e otimização.

• Atualmente os sensores para medir essas variáveis são caros.

• Abordagem promissora utilizada neste artigo é aplicação de técnicas

estatísticas multivariadas de controle de processos.
 Objetivos

• Investigar os benefícios que a abordagem de modelagem de mínimos

quadrados parciais (PLS) oferece aos engenheiros envolvidos na operação de
processos de fermentação em batelada alimentada.

• Mostrar que modelos desenvolvidos usando PLS podem ser usados para
fornecer inferência precisa de variáveis de qualidade que são difíceis de medir
on-line, como a concentração de biomassa.
 Mínimos quadrados parciais - PLS

• O que é PLS?
É uma ferramenta de regressão ideal para situações em que existem altos níveis de
correlação entre variáveis de causa.

• Aqui os problemas são visto como um conjunto.

• Para que se tenha êxito, é necessário de PLS bem sucedido.

• É usado para fornecer a capacidade de detecção e isolamento de falhas.

• O PLS tem uma abordagem parecida com a Análise de Componentes Principais

– PCA.
 Mínimos quadrados parciais - PLS

• Monitora duas variáveis SPE e T², e os limites de controle podem ser colocados
em torno dessas estatísticas.

• Violadas indicam desvios das condições do processo.

• O PLS foi utilizado, pois ele usa um modelo de resposta de impulso finito série
padrão.
 Modelo controle preditivo - MPC

• O que é?
É um modelo de sistema que prever saídas futuras do processo e determina
movimentos de controle futuros.

• O MPC não trata de uma única técnica de controle.

De forma geral, um controlador MPC tem a seguinte estrutura:

• Uso do modelo para predizer os estados do sistema em instantes de tempo futuro
(horizonte de tempo).

• Cálculo da sequência de controle que minimiza uma função objetivo.

 Aplicação do controlador PLS ao centro de referência

• Foi utilizada uma simulação de benchmark.

• Simulador chamado Pensim.

Baseado em:
• Uma série de modelos que descrevem um processo de fermentação por lote
alimentado com penicilina.

• O primeiro estágio no desenvolvimento do sistema de controle para a simulação

de Pensim é construir um softsensor, usando a técnica MPLS, para estimar a
biomassa concentração.

7
 Aplicação do controlador PLS ao centro de referência

• O modelo PLS foi validado utilizando bateladas de treinamento.

• No total foram realizadas 20 bateladas.

• As seguintes medições foram usadas como variáveis de entrada: 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.

• Não foi possível usar as medições de concentração de biomassa no modelo ou

no controlador.
 Aplicação do controlador PLS ao centro de referência

• Mostra a precisão do modelo PLS. Figura 1: Predição do modelo PLS.

• Compara a concentração real de

biomassa com a prevista pelo modelo
PLS com 5 bateladas de validação.
 Aplicação do controlador PLS ao centro de referência

Figura 2: Desempenho de controle de loop fechado. • Demonstra a capacidade do esquema

de controle MPC de regular a
concentração de biomassa dentro do
reator para várias trajetórias pré-
especificadas.

• Trajetória foi determinada off-line.

 Aplicação do controlador PLS ao centro de referência

• O controlador possui bom desempenho.

• As condições necessárias para atingir tais concentrações no ponto final estejam

bem representadas nas bateladas de treinamento.

• Quando as condições necessárias não estão presentes nas bateladas de

treinamento -> mau desempenho do controlador.

• 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.
 Monitoramento do controlador
Figura 3: Gráficos SPE e T 2 para dados de loop fechado.

• Uso do modelo PLS dentro do

sistema de controle.

• Estatística SPE.

• Estatística T2
 Interpretação dos gráficos SPE e T2

• O gráfico SPE – qualidade do modelo PLS.

• Alto valor de SPE indica que a relação entre as variáveis foram alteradas a
tal ponto que a precisão do modelo foi degradada.

• O gráfico T2 – local de operação do fermentador.

• Alto valor de T2 indica que as condições dentro do fermentador são

significativamente diferentes das bateladas de treinamento.
 Interpretação dos gráficos SPE e T2

• Quando a concentração de biomassa do ponto final é ajustada para 12, 13 ou

14, as condições de operação são consistentes com as das bateladas de
treinamento.

• A precisão do modelo PLS permanece boa.

 Controle de processo integrado e detecção de falhas

Figura 4: Gráfico de controle PLS para falha de aeração.

• Modelo PLS usado no controlador
MPC serve também para detectar
falhas no processo.

• A capacidade do modelo PLS de

detectar e isolar corretamente uma
falha de processo.

• Falha na aeração entre os tempos de

50h e 100h.
 Controle de processo integrado e detecção de falhas

Figura 5: Gráfico de contribuição para falha de aeração.

• A figura mostra o gráfico de contribuição

do SPE que foi produzido imediatamente
após o limite de SPE ter sido violado.

• O gráfico indica corretamente que a

variável 1, medição de aeração, é a
causa provável da condição de falha.
 Processo de controle inteligente

Esquemas de
controle de processo
e detecção de falhas

Desvio em um Esquema se torna

sensor inutilizado
 Processo de controle inteligente

EXEMPLO:
• Houve um aumento de 0,5 é aplicado ao sensor de medição do pH.
(este aumento significa que se o valor real do pH dentro do reator for 5.0, então o
sensor de pH irá ler um valor de 5,5).

• A medição de pH é usada primeiramente em um esquema de controle de

realimentação de loop único que regula o pH no fermentador para 5.
• Como há um desvio de 0,5 no sensor de pH, esse controlador manterá o pH
dentro do reator em 4,5.
• Resposta adversa pelos micro-organismos dentro do fermentador.

• A medição de pH é usada pelo modelo PLS para prever a concentração de

biomassa.
 Processo de controle inteligente

CONSEQUÊNCIA DE MEDIÇÃO INCORRETA:

• O controlador preditivo operará mal.

• A produtividade do lote poderá ser afetada.

MECANISMO SEJA IMPLEMENTADO:

• Para que o controlador preditivo e o esquema de detecção de falhas possa

funcionar normalmente apesar da falha.
 Processo de controle inteligente

Figura 6. Controle durante a falha de pH

• Os gráficos de controle produzidos pelo modelo
PLS durante esta falha.

• Após 100Hs.

• Uso de recursos do modelo PLS para inferir a Tempo (Horas)

medição de pH.

• 5 violações consistentes do limite de controle

SPE são registrados.

Tempo (Horas)
 Processo de controle inteligente

• O gráfico compara a medição real de pH Figura 7. Medida de pH

com aquela registrada pelo sensor e que
inferida pelo PLS modelo.

• O valor do pH inferido pelo modelo PLS é

muito consistente com o pH real dentro do
reator.

Tempo (Horas)
 Processo de controle inteligente

• O gráfico nos mostra que a inferência Figura 8. Produção de Penicilina

precisa de medição de pH não altera o
controlador.

• O controlador MPC usa a medição de

pH bruto, a produção de penicilina
reduz significativamente.

• Usando o modelo PLS:

O que ocorre com a produção de

penicilina? Tempo (Horas)
 Conclusões

• PLS pode fornecer inferência precisa de variáveis de qualidade como a

concentração de biomassa;
• O mesmo modelo PLS também pode ser usado para fornecer detecção e
isolamento das condições de falha dentro do fermentador;
• 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;
• Construção de gráficos para monitorar o status do controlador preditivo.
Esse monitoramento fornece uma avaliação de como as condições
operacionais atuais são consistentes com os dados usados para
desenvolver o modelo e também uma indicação de quão preciso é o
modelo PLS nessas condições.
 Agradecimentos

Obrigada pela atenção!

Eloise de Sousa Cordeiro– eloise.ufpa@hotmail.com
Maíra Peixoto- mairapeixoto@intelab.ufsc.br

Programa de Pós-Graduação em Engenharia Química

Universidade Federal de Santa Catarina