[pt] Atualmente cresce o interesse científico e industrial na elaboração de
métodos de controle não lineares. Porém, estes modelos costumam ter difícil
implementação e um custo elevado até que se obtenha uma ferramenta de
controle confiável. Desta forma, estudos na área de métodos de apoio à decisão
procuram desenvolver aplicações inteligentes com custos reduzidos, capazes de
executar controles industriais avançados com excelentes resultados, como no
caso da indústria petroquímica. Na destilação de derivados de petróleo, por
exemplo, é comum fazer uso de análises laboratoriais de amostras para
identificar se uma substância está com suas características físico-químicas
dentro das normas internacionais de produção. Além disso, o laudo pericial desta
análise permite regular os instrumentos da planta de produção para que se
consiga um controle mais acurado do processo e, conseqüentemente, um
produto final com maior qualidade. Entretanto, apesar da análise laboratorial ter
maior acurácia nos resultados que avaliam a qualidade do produto final, exige,
às vezes, muitas horas de análise, o que retarda o ajuste dos equipamentos de
produção, reduzindo a eficiência do processo e aumentando o tempo de
produção de certos produtos, que precisam ter sua composição, posteriormente,
corrigida com outros reagentes. Outra desvantagem está relacionada aos custos
de manutenção e calibração dos instrumentos localizados na área de produção,
pois, como estes equipamentos estão instalados em ambientes hostis,
normalmente sofrem uma degradação acelerada, o que pode gerar leituras de
campo erradas, dificultando a ação dos operadores. Em contrapartida, dentre os
métodos inteligentes mais aplicados em processos industriais químicos,
destacam-se as redes neurais artificiais. Esta estrutura se inspira nos neurônios
biológicos e no processamento paralelo do cérebro humano, tendo assim a
capacidade de armazenar e utilizar o conhecimento experimental que for a ela
apresentado. Apesar do bom resultado que a estrutura de redes neurais gera,
existe uma desvantagem relacionada à necessidade de re-treinamento da rede
quando o processo muda seu ponto de operação, ou seja, quando a matériaprima
sofre algum tipo de mudança em suas características físico-químicas.
Como solução para este problema, foi elaborado um método híbrido que busca
reunir as vantagens de uma estrutura de redes neurais com a habilidade de um
filtro estocástico, conhecido por filtro de Kalman estendido. Em termos práticos,
o filtro atua em cima dos pesos sinápticos da rede neural, atualizando os
mesmos em tempo real e permitindo assim que o sistema se adapte
constantemente às variações de mudança de processo. O sistema também faz
uso de pré-processamentos específicos para eliminar ruídos dos instrumentos de
leitura, erros de escalas e incompatibilidade entre os sinais de entrada e saída
do sistema, que foram armazenados em freqüências distintas; o primeiro em
minutos e o segundo em horas. Além disso, foram aplicadas técnicas de seleção
de variáveis para melhorar o desempenho da rede neural no que diz respeito ao
erro de inferência e ao tempo de processamento. O desempenho do método foi
avaliado em cada etapa elaborada através de diferentes grupos de testes
utilizados para verificar o que cada uma delas agregou ao resultado final. O teste
mais importante, executado para avaliar a resposta da metodologia proposta em
relação a uma rede neural simples, foi o de mudança de processo. Para isso, a
rede foi submetida a um grupo de teste com amostras dos sinais de saída
somados a um sinal tipo rampa. Os experimentos mostraram que o sistema,
utilizando redes neurais simples, apresentou um resultado com erros MAPE em
torno de 1,66%. Por outro lado, ao utilizar redes neurais associadas ao filtro de
Kalman estendido, o erro cai à metade, ficando em torno de 0,8%. Isto comprova
que, além do filtro de Kalman não destruir a qualidade da rede neural original,
ele consegue adaptá-la a mudanças de processo, permitindo, assim, que a
variável de saída seja inferida adequadamente sem a necessidade de retreinamento
da rede. / [en] Nowadays, scientific and industrial interest on the
development of nonlinear
control systems increases day after day. However, before
these models
become reliable, they must pass through a hard and
expensive implementation
process. In this way, studies involving decision support
methods try to develop
low cost intelligent applications to build up advanced
industrial control systems
with excellent results, as in the petrochemical industry.
In the distillation of oil
derivatives, for example, it is very common the use of
laboratorial sample
analysis to identify if a substance has its physical-
chemistry characteristics in
accordance to international production rules. Besides, the
analyses results allow
the adjustment of production plant instruments, so that
the process reaches a
thorough control, and, consequently, a final product with
higher quality. However,
although laboratory analyses are more accurate to evaluate
final product quality,
sometimes it demands many hours of analysis, delaying the
adjustments in the
production equipment. In this manner, the process
efficiency is reduced and
some products have its production period increased because
they should have its
composition corrected with other reagents. Another
disadvantage is the
equipments´ maintenance costs and calibration, since these
instruments are
installed in hostile environments that may cause
unaccurate field measurements,
affecting also operator´s action. On the other hand, among
the most applied
intelligent systems in chemical industry process are the
artificial neural networks.
Their structure is based on biological neurons and in the
parallel processing of
the human brain. Thus, they are capable of storing and
employing experimental
knowledge presented to it earlier. Despite good results
presented by neural
network structures, there is a disadvantage related to the
need for retraining
whenever the process changes its operational point, for
example, when the raw
material suffers any change on its physical-chemistry
characteristics. The
proposed solution for this problem is a hybrid method that
joins the advantages of
a neural network structure with the ability of a
stochastic filter, known as
extended Kalman filter. This filter acts in the synaptic
weights, updating them online and allowing the system to
constantly adapt itself to process changes. It also
uses specific pre-processing methods to eliminate scale
mistakes, noises in
instruments readings and incompatibilities between system
input and output,
which are measured with different acquisition frequencies;
the first one in minutes
and the second one in hours. Besides, variable selection
techniques were used
to enhance neural network performance in terms of
inference error and
processing time. The method´s performance was evaluated in
each process step
through different test groups used to verify what each
step contributes to the final
result. The most important test, executed to analyse the
system answer in
relation to a simple neural network, was the one which
simulated process
changes. For that end, the network was submitted to a test
group with output
samples added to a ramp signal. Experiments demonstrated
that a system using
simple neural networks presented results with MAPE error
of about 1,66%. On
the other hand, when using neural networks associated to
an extended Kalman
filter, the error decreases to 0,8%. In this way, it´s
confirmed that Kalman filter
does not destroy the original neural network quality and
also adapts it to process
changes, allowing the output inference without the
necessity of network
retraining.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7588 |
| Date | 19 December 2005 |
| Creators | LEONARDO GUILHERME CAETANO CORREA |
| Contributors | CARLOS ROBERTO HALL BARBOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0134 seconds