Baixe o app para aproveitar ainda mais
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
Compartilhar