508774_Sistemas de Otimizacao

Prévia do material em texto

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE MINAS GERAIS
INTEGRAÇÃO DE SISTEMAS
Prof. Júlio Cesar Braz de Queiroz
jqueiroz@pucminas.br
PIMS SystemsPIMS Systems
ModelModel
BasedBased
ControlControl
ExpertExpert
SystemsSystems
SoftSoft SensorSensor
SISTEMAS DE SISTEMAS DE 
DCS & PLCDCS & PLC
TrainingTraining
SimulatorsSimulators
Advanced ProcessAdvanced Process
ControlControl
RealReal--timetime
OptimizationOptimization
Planning &Planning &
SchedulingScheduling
DynamicDynamic
SimulatorsSimulators
SISTEMAS DE SISTEMAS DE 
OTIMIZAÇÃOOTIMIZAÇÃO
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
Benefícios 
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.
Sistemas de Otimização
Cabe então, às estratégias de otimização, conciliar e indicar/decidir, a 
cada momento, qual a melhor alternativa.
Sistema de Automação + Sistema de Otimização
Estação de Operação
Estação de Otimização
Sala de Controle
Sistemas de Otimização
Controladores Programáveis
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
Sistemas de Otimização
Set-points
Controladores Programáveis
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
Estação de Operação Estação de Otimização
Sala de Controle
Sistemas de Otimização
Set-points
Set-points
Controladores Programáveis
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
Estação de Operação Estação de Otimização
Sala de Controle
Sistemas de Otimização
Set-points
Controladores Programáveis
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
Sistemas de Otimização
Inteligência Artificial
MODELOS MODELOS 
MATEMÁTICOSMATEMÁTICOSMATEMÁTICOSMATEMÁTICOS
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 AvançadoPermite 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 
Modelos Matemáticos
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
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
O sensor virtual utiliza da medida do instrumento para ajustar o modelo 
matemático ou rede neural artificial.
Modelos Matemáticos
Sensor 
Virtual
Em caso de falha ou manutenção do instrumento, o sensor virtual 
estima o valor da variável e envia ao controlador.
Modelos Matemáticos
Sensor 
Virtual
CONTROLE CONTROLE 
AVANÇADOAVANÇADOAVANÇADOAVANÇADO
Controle Multivariável
Modelos que estabelecem a relação entre múltiplas entradas e
múltiplas saídas
Controle Avançado
FT 11entrada 1 saída 1FT 12 FT 1M...
FT 21entrada 2 saída 2FT 22 FT 2M...
.
.
.
.
.
.
.
.
.
...
FT N1entrada N saída MFT 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;
Sistemas de Otimização
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.
INTELIGÊNCIA INTELIGÊNCIA 
ARTIFICIALARTIFICIALARTIFICIALARTIFICIAL
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) 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 SISTEMAS 
ESPECIALISTASESPECIALISTASESPECIALISTASESPECIALISTAS
((ExpertExpert Systems)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
Aquisição de Conhecimento
Domínio dos 
Especialistas
Engenheiros de 
Processo,
Controle e 
Software
SISTEMA 
ESPECIALISTAEstratégias, 
Regras, 
Procedimentos
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 
Sistemas Especialistas
conhecimento
Bom conhecimento do processo e das práticas 
operacionais
Boa qualidade das informações que impactam 
diretamente sobre os resultados
Prática na estimação e avaliação dosbenefícios, 
antes e após a implantação
LÓGICA LÓGICA 
NEBULOSANEBULOSANEBULOSANEBULOSA
((FuzzyFuzzy LogicLogic))
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
Operadores Operadores
B
C
A
Operadores 
tradicionais
Operadores
Fuzzy
∩∩∩∩
∪∪∪∪
∉∉∉∉
∈∈∈∈
min
µ=0
µ=1
max
Estratégia de controle utilizando a lógica nebulosa
Lógica Nebulosa
Nebulização 
(Fuzzyfication)
Desnebulização
(Defuzzyfication)
ABERTURA
DA VÁLVULA
REGRAS
NEBULOSAS
NÍVEL
CONSUMO
Saída
Analógica
SE ⇒⇒⇒⇒ ENTÃO
Processo
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
Lógica Nebulosa
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
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
Lógica Nebulosa
um PC (Estação de Operação ou Otimização), o que pode comprometer
o controle em tempo real
REDES NEURAIS REDES NEURAIS 
ARTIFICIAISARTIFICIAISARTIFICIAISARTIFICIAIS
((Artificial Neural Artificial Neural 
NetworksNetworks))
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
Saída
Polarização
e Peso
Vetor de
Entrada
Vetor de
Pesos
Função de
Ativação
Saída
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
Redes Neurais Artificiais
Alguns objetos podem apresentar padrões que necessariamente não se
repetem exatamente
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)
Redes Neurais Artificiais
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
Durante o treinamento, os pesos são ajustados através de algoritmos
dedicados
Redes Neurais Artificiais
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
Na indústria, as RNA podem ser utilizadas em reconhecimento de padrões
para o controle de qualidade
www.siemens.com.br/
www.invensys.com.br/
www.abb.com.br/
www.emersonprocess.com/
Links associados
Sistemas de Otimização
www.mintek.co.za/
www.metso.com.br/