Slides7 Sistemas de Otimizacao

Prévia do material em texto

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE MINAS GERAIS 
 
 
AUTOMAÇÃO E INFORMÁTICA INDUSTRIAL 
 
Engenharia Mecânica 
 
 
Prof. Júlio Cesar Braz de Queiroz 
jqueiroz@pucminas.br 
DCS & PLC 
Training 
Simulators 
PIMS Systems 
Advanced Process 
Control 
Model 
Based 
Control 
Real-time 
Optimization 
Planning & 
Scheduling 
Expert 
Systems 
Soft Sensor 
Dynamic 
Simulators 
SISTEMAS DE 
OTIMIZAÇÃO 
Sistemas de Otimização 
Sistemas de Otimização 
O conceito de otimização está relacionado à melhoria de índices de 
uma planta industrial, a partir de: 
Modernização dos recursos instalados; 
Adoção de estratégias de controle avançado; 
Mudanças de caráter operacional. 
Desafios das empresas no cenário globalizado: 
Aumentar a produtividade; 
Aumentar qualidade de seus produtos; 
Reduzir os custos. 
Sistemas de Otimização 
Investimentos em Otimização 
Investimentos em Automação 
Benefícios 
Tangíveis 
Otimizar implica em: 
Eleger índices de desempenho; 
Maximizar ou minimizar estes índices. 
Sistemas de Otimização 
Entretanto, alguns índices podem ser concorrentes em determinadas 
situações: Redução de custos X Aumento da quantidade produzida. 
 
 
 
 
 
 
 
Cabe então, às estratégias de otimização, conciliar e indicar/decidir, a 
cada momento, qual a melhor alternativa. 
Sistemas de Otimização 
Sistema de Automação + Sistema de Otimização 
Controladores Programáveis 
Estação de Operação 
Estação de Otimização 
Sala de Controle 
Sistemas de Otimização 
Operação sem otimização: Operador define os set-points do processo 
 => os set-points tendem a permanecer fixos a maior parte do tempo 
Set-points 
Estação de Operação 
Estação de Otimização 
Sala de Controle 
Controladores Programáveis 
Sistemas de Otimização 
Operação com otimização: Operador autoriza o Sistema de Otimização 
a definir os set-points e valida a decisão antes de enviar ao processo 
 => os set-points tendem a variar freqüentemente 
Set-points 
Set-points 
Estação de Operação Estação de Otimização 
Sala de Controle 
Controladores Programáveis 
Sistemas de Otimização 
Operação com otimização: Operador autoriza o Sistema de Otimização a 
definir e enviar automaticamente os set-points ao processo 
 => os set-points tendem a variar frequentemente 
Set-points 
Estação de Operação Estação de Otimização 
Sala de Controle 
Controladores Programáveis 
Sistemas de Otimização 
A boa prática recomenda... 
Não atribuir autonomia plena ao sistema de otimização sem a supervisão 
de um operador, pois podem ocorrer acidentes na tentativa de 
compensar deficiências decorrentes de falhas em equipamentos. 
Sistemas de Otimização 
Principais tecnologias utilizadas: 
 
Modelos Matemáticos 
 
Controle Avançado 
 
Inteligência Artificial 
Sistemas de Otimização 
MODELOS 
MATEMÁTICOS 
Modelos Matemáticos 
Representação matemática de um sistema real 
Obtido a partir da modelagem física do processo ou métodos de 
identificação 
Permite simular o comportamento dinâmico do sistema 
Permite implementar estratégias de Controle Avançado 
Entradas Saídas 
Modelo 
Matemático 
São úteis também no desenvolvimento de sensores virtuais (soft 
sensors), que utilizam modelos matemáticos para estimar uma variável 
de interesse em função de outras variáveis disponíveis no processo 
 
Soft sensors são implementações computacionais que operam em 
paralelo com sensores reais e funcionam como um backup virtual em 
caso de falha ou ausência para manutenção 
 
Sensores virtuais são economicamente mais interessantes que adotar 
estratégias de redundância física ou manter unidades sobressalentes em 
estoque 
Modelos Matemáticos 
O instrumento realiza a medida das partículas e a envia ao controlador. 
O controlador aciona as válvulas que permitem a passagem do produto 
ou forçam a recirculação. 
Modelos Matemáticos 
http://www.hielscher.com/image/uscm600_p1000.jpg
O sensor virtual utiliza da medida do instrumento para ajustar o modelo 
matemático ou rede neural artificial. 
Modelos Matemáticos 
Sensor 
Virtual 
http://www.hielscher.com/image/uscm600_p1000.jpg
Em caso de falha ou manutenção do instrumento, o sensor virtual 
estima o valor da variável e envia ao controlador. 
Modelos Matemáticos 
Sensor 
Virtual 
http://www.hielscher.com/image/uscm600_p1000.jpg
CONTROLE 
AVANÇADO 
Controle Multivariável 
Modelos que estabelecem a relação entre múltiplas entradas e 
múltiplas saídas 
Controle Avançado 
FT 11 entrada 1 saída 1 FT 12 FT 1M ... 
FT 21 entrada 2 saída 2 FT 22 FT 2M ... 
. 
. 
. 
. 
. 
. 
. 
. 
. 
 
... 
FT N1 entrada N saída M FT N2 FT NM ... 
Controle Adaptativo 
Modelos matemáticos são usados para simular o comportamento 
de sistemas reais e permitir a determinação do melhor conjunto 
de parâmetros de sintonia do controlador que mais se aproxima 
do padrão de resposta desejado 
Controle Avançado 
Controle Preditivo 
Modelos matemáticos são usados para simular o comportamento 
de sistemas reais e permitir a determinação do valor da excitação 
(entrada do sistema) de modo que a minimizar o erro 
Controle Avançado 
A boa prática recomenda... 
 
Controle Adaptativo, para realizar a sintonia dos controladores 
(automática ou perante a solicitação do operador) quando houver a 
degradação do desempenho; 
 
Controle Preditivo, para realizar o ajuste prévio do sistema quando 
houver mudança significativa nas condições operacionais; 
 
Controle PID Convencional, para realizar a correção 
 (ajuste fino) em função do erro. 
Sistemas de Otimização 
INTELIGÊNCIA 
ARTIFICIAL 
Inteligência Artificial 
Sistemas Especialistas (Expert Systems) 
Sistema que descreve o processo através de regras de produção 
(SE => ENTÃO) 
Depende da qualidade dos dados de entrada 
 
Lógica Nebulosa (Fuzzy Logic) 
Utilizada em situações em que as variáveis envolvidas 
apresentam incertezas 
 
Redes Neurais Artificiais (Artificial Neural Networks) 
Utilizada em situações em que as variáveis não podem ser 
medidas e devem ser estimadas 
SISTEMAS 
ESPECIALISTAS 
(Expert Systems) 
Sistemas Especialistas 
Plataforma para sistemas de otimização 
Sistemas Especialistas 
São programas computacionais, desenvolvidos a partir do 
conhecimento dos especialistas, para resolver problemas 
num domínio restrito 
Domínio dos 
Especialistas 
Engenheiros de 
Processo, 
Controle e 
Software 
 
SISTEMA 
ESPECIALISTA 
 
Estratégias, 
Regras, 
Procedimentos 
 
Aquisição de Conhecimento 
Perguntas,Problemas 
Respostas, Soluções 
Sistemas Especialistas 
Aplicações típicas: 
 
 
 
 
Suporte à tomada de decisões 
 
 
 Diagnóstico 
Sistemas Especialistas 
Indicados para a solução de problemas: 
Nos quais as soluções convencionais não obtiveram 
sucesso 
Para os quais não existe uma solução algorítmica viável 
Que envolvem conhecimento extenso, difuso e empírico 
Em que o conhecimento heurístico é predominante 
 
 
Requisitos para implantação: 
Exige alto desempenho computacional (Processador 
e Memória) 
Cuidado na preparação pévia dos profissionais 
envolvidos no processo de aquisição do 
conhecimento 
Bom conhecimento do processo e das práticas 
operacionais 
Boa qualidade das informações que impactam 
diretamente sobre os resultados 
Prática na estimação e avaliação dos benefícios, 
antes e após a implantação 
Sistemas Especialistas 
LÓGICA 
NEBULOSA 
(Fuzzy Logic) 
A Lógica Nebulosa foi criada por Zadeh na década de 60, como alternativa 
à Lógica Booleana 
Está fundamentada na teoria de conjuntos nebulosos (Fuzzy Sets), análoga 
à teoria convencional de conjuntos 
Lógica Nebulosa 
B 
C 
A 
Operadores 
tradicionais 
Operadores 
Fuzzy 
 
 
 
 
min 
=0 
=1 
max 
Estratégia de controle utilizando a lógica nebulosa 
Lógica Nebulosa 
Nebulização 
(Fuzzyfication) 
Desnebulização 
(Defuzzyfication)ABERTURA 
DA VÁLVULA 
Saída 
Analógica 
REGRAS 
NEBULOSAS 
SE  ENTÃO 
Processo 
NÍVEL 
CONSUMO 
Entradas 
Analógicas 
Sensores Atuador 
Vantagens 
 
As representações aproximam-se mais da forma de raciocínio humano 
As técnicas de tratamento aproximado das variáveis proporcionam 
maior imunidade a erros 
A experiência dos profissionais na atividade é tão importante quanto os 
conhecimentos específicos sobre o processo 
A lógica nebulosa possibilita a implementação de malhas de controle 
com desempenho compatível ao algoritmo PID, menor sobressinal e 
maior facilidade de sintonia 
Lógica Nebulosa 
PIDxFuzzy.avi
Desvantagens 
 
Requer um CLP com hardware e software apropriados (Cartão de I/O 
nebuloso e CPU com possibilidade de lidar com variáveis lingüísticas) 
Caso não seja possível implementar no CLP, deve ser implementado em 
um PC (Estação de Operação ou Otimização), o que pode comprometer 
o controle em tempo real 
Lógica Nebulosa 
REDES NEURAIS 
ARTIFICIAIS 
(Artificial Neural 
Networks) 
A estrutura básica da Rede Neural Artificial (RNA) é inspirada no neurônio 
humano (unidade de processamento do cérebro) 
Redes Neurais Artificiais 
Um modelo matemático correspondente foi elaborado 
Redes Neurais Artificiais 
Vetor de 
Entrada 
Vetor de 
Pesos 
Função de 
Ativação 
Saída 
Polarização 
e Peso 
Se o neurônio permite a passagem do dado 00
1
WXWX
n
i
ii 

Vários modelos agregados dão origem a uma rede neural 
Redes Neurais Artificiais 
As RNA são capazes de “aprender” padrões e identificá-los posteriormente 
por semelhança 
É importante ressaltar que as RNA não armazenam os dados em banco de 
dados, pois a busca de dados em um banco é realizada por igualdade e não 
por semelhança 
 
Alguns objetos podem apresentar padrões que necessariamente não se 
repetem exatamente 
Redes Neurais Artificiais 
O aprendizado de uma RNA ocorre através de treinamento 
O treinamento segue as seguintes etapas: 
Seleção de uma massa de dados que apresentem alto grau de 
correlação com a variável ou variáveis a estimar (histórico de dados 
existentes podem ser utilizados) 
Análise e tratamento dos dados para garantir a qualidade dos mesmos 
Utilização de 60% dos dados para o treinamento e o restante para a 
validação 
Redes Neurais Artificiais 
Durante o treinamento, os pesos são ajustados através de algoritmos 
dedicados 
 
 
 
 
 
 
Caso os resultados não sejam satisfatórios, uma nova etapa de treinamento 
deve ser realizada 
Caso contrário, a RNA pode ser colocada em operação 
Redes Neurais Artificiais 
Redes Neurais Artificiais 
Na indústria, as RNA podem ser utilizadas em reconhecimento de padrões 
para o controle de qualidade 
Inspecao Garrafas RNA.wmv