Principais Técnicas de Controle Avançado
Cada técnica de Controle Avançado tem suas características e limitações próprias. Existem inúmeros desenvolvimentos que não saíram dos trabalhos de pesquisa acadêmica dentro das Universidades. Apresentaremos neste artigo somente as técnicas de uso consagrado em plantas industriais, e que tivemos a oportunidade de usar em implementações práticas.
CONTROLE POR LÓGICA NEBULOSA (FUZZY LOGIC)
A lógica nebulosa procura representar variáveis numéricas por variáveis linguísticas relacionadas a conceitos peculiares à linguagem humana como quente, frio, muito longe, mais ou menos próximo, grande, médio, pequeno. Os conjuntos nebulosos admitem que uma variável pertença mais ou menos a ele, ou seja, segundo um grau de pertinência parcial que pode variar entre zero e um. O uso da lógica nebulosa em conjunto com as técnicas de análise e inferências da inteligência artificial permitiu o desenvolvimento de Controladores Fuzzy. Os Controladores Fuzzy são adequados a resolver problemas de não linearidades do processo.
Em geral este tipo de controlador deve ser desenvolvido com regras e características internas específicas para cada sistema que se deseje controlar, de forma a obter o melhor desempenho. Como consequência sua implementação prática em plantas de processo é cara e demorada, uma vez que exige desenvolvimento único para cada aplicação. Estes controladores têm sido mais usados em sistemas onde aparecem embutidos, como em máquinas, equipamentos, eletrodomésticos e brinquedos.
Nestes casos o desenvolvimento é único para muitas unidades vendidas justificando seu uso. Alguns fornecedores oferecem blocos de controle fuzzy genéricos e simplificados, integrados aos seus sistemas de controle, visando substituir o PID em casos de processos não lineares. Apresentam como vantagem a facilidade e baixo custo na implementação, porém pagam o preço de apresentar uma notável limitação em seu desempenho.
CONTROLE ADAPTATIVO AUTO-TUNING OU SELF-TUNING
É destinada a controlar sistemas que variam suas características dinâmicas ao longo do tempo ou da faixa de operação. Como ideia geral o algoritmo de controle tem seus parâmetros de sintonia ajustados para obter desempenho ótimo de acordo com as características atuais do processo. O algoritmo de controle mais utilizado é o PID, sendo também conhecido como PID “Self-Tuning” ou “Auto-Tuning”. O ajuste dos parâmetros pode ser feito automaticamente (“on-line”) ou sob demanda (“off-line”). Em geral este ajuste é feito utilizando-se um modelo do processo, ou regras heurísticas. Esta técnica tem sérias limitações para sua boa implementação e utilização em casos práticos de plantas Industriais. A maior parte dos problemas está ligada à dificuldade em obter um bom modelo ou regras heurísticas para o processo.
CONTROLE INFERENCIAL
O Controle Inferencial consiste em controlar uma variável crítica (y) que não é medida diretamente por instrumentos ou analisadores de processo. Para controlar é necessário antes fazer uma estimativa ou inferência do valor desta variável a partir de outras medidas no processo que tenham com ela uma relação de causa-efeito. Estas variáveis são chamadas de auxiliares (z). O esquema de controle inferencial pode ser visto na figura 3.
O controle pode ser feito usando-se qualquer tecnologia adequada às características dinâmicas do sistema, inclusive o PID. Assim o problema aqui se resume a estimar o valor variável crítica a ser controlada. Este tipo de estimativa é também chamado de Inferência ou Analisador Virtual. A Inferência pode ser obtida de várias formas, usando-se modelos lineares ou não-lineares, estáticos ou dinâmicos.
Pode usar métodos de ajuste baseados em propriedades físico-química, ou mesmo estatísticos a partir de informações de processo. Nos casos em que não conhecemos bem o modelo do processo, o método de inferência mais usado atualmente é baseado na tecnologia de redes neurais. As redes neurais consistem em um método de solucionar problemas de inteligência artificial, construindo um sistema que tenha circuitos que simulem o cérebro humano. Uma rede é composta por várias unidades de processamento chamado de neurônios. Estas unidades geralmente são conectadas por canais de comunicação que estão associados a determinado peso. A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. A implementação de um Analisador Virtual usando redes neurais deve seguir os seguintes passos: aquisição de dados; pré-processamento dos dados; seleção de variáveis e atrasos de tempo; treinamento da rede; verificação dos resultados da rede. A grande limitação deste tipo de tecnologia é a disponibilidade de informações de processo na qualidade e quantidade adequada. A qualidade dos dados determina a qualidade do modelo. Atualmente encontramos disponíveis no mercado ferramentas para desenvolver e implementar Analisadores Virtuais por redes neurais. Estas ferramentas são facilmente integradas aos sistemas digitais que facilita e agiliza o desenvolvimento da aplicação.
CONTROLE PREDITIVO COM OTIMIZAÇÃO (MPC)
A tecnologia de controle do tipo MPC (“Model Predictive Control”) existe desde o final dos anos 70, e é atualmente a mais utilizada em aplicações industriais (mais de 10.000 no mundo). A tecnologia MPC é adequada para controle em casos de processos com características de dinâmica difíceis (tempo-morto, interagentes, não-linear), sistemas multivariável, compensação antecipatória de perturbações medidas (“feed-forward”), controle por restrição (“override”) ou para otimização econômica do processo.
O algoritmo MPC tem característica preditiva, ou seja, utiliza um modelo interno do processo para prever o comportamento das variáveis dependentes (CV – controladas ou restrições) ao longo de um horizonte futuro de tempo, em função de variações nas variáveis manipuladas (MV) ou perturbações (DV). Este modelo é gerado por meio de testes de variação na própria unidade de processo. Utilizando as predições futuras das variáveis dependentes, o algoritmo calcula os movimentos necessários nas variáveis manipuladas que minimizem a soma dos erros futuros. Estes erros são equivalentes às diferenças entre os valores previstos para estas variáveis e a trajetória desejada para elas. Podemos visualizar graficamente este algoritmo na figura 4.
O MPC pode ser dotado de capacidade de otimização local incluindo-se uma função de otimização. Esta função calcula um conjunto de objetivos (“set-points”) que maximizem uma “função-objetivo” de lucros ou custos. Esta otimização é feita usando-se o mesmo modelo interno do processo e respeitando limites para todas as variáveis. Este algoritmo pode ser implementado em uma estrutura de controle em “cascata” fornecendo “set-points” para o nível de controle regulatório conforme pode ser visto na figura 5.
O desenvolvimento de uma aplicação de controle MPC deve seguir algumas etapas como:
análise do Processo; definição da estrutura de controle; revisão do controle regulatório; testes e identificação do Processo; geração, análise e validação dos modelos; projeto e geração do controlador; sintonia e testes em simulação; comissionamento e pré-operação; acompanhamento e manutenção. A etapa de Identificação do processo exige testes de campo para a geração dos modelos. Estes testes podem ser demorados e dependem da dinâmica do processo. A tecnologia MPC apresenta relativa capacidade de adaptação a variações do processo no tempo. As maiores desvantagens da tecnologia MPC são suas relativa complexidade, dificuldade de implementação e manutenção, consequências da necessidade em obter os modelos do processo. Alguns fornecedores oferecem versões integradas deste tipo de controlador em forma de blocos funcionais em seus sistemas digitais. Estas versões incluem ferramentas de engenharia destinadas a facilitar e reduzir o custo e o prazo das implementações.
CONTROLE ADAPTATIVO MFA (“MODEL FREE ADAPTIVE”)
A tecnologia MFA – “Model Free Adaptive” foi lançada no ISA Tech’97. A MFA tem recebido desde então, diversos prêmios por inovação tecnológica. Sua aplicação em inúmeros casos práticos de malhas de controle problemáticas tem comprovado a qualidade da tecnologia. Apesar de relativamente recente, já representa uma nova geração de tecnologias de Controle Avançado. A MFA é tipicamente uma tecnologia de controle adaptativo, pois mantém o desempenho do controle para mudanças das características do processo ao longo da faixa de controle e do tempo, comportamento típico dos
sistemas não lineares e variantes no tempo. A maior diferença em relação aos controles adaptativos convencionais está em que a MFA não utiliza qualquer tipo de modelo ou identificação de processo.
A base da tecnologia MFA é a utilização de modo simples e criativo de uma rede neural conforme mostrado na figura 6. Como qualquer controlador PI, a MFA utiliza o erro (diferença entre o valor de referência e variável controlada) como entrada de controle. Como podemos observar a saída de controle o(t) é o resultado da soma do erro e(t) e de uma variável(t), multiplicada por uma constante K c que seria o ganho do controlador. Ora esta equação o(t) = (e(t) + v(t)) Kc é semelhante à de um controlador com ação PI (Proporcional+Integral). A diferença em relação a um controlador PI reside na variável v(t). No PI esta seria a ação integral, responsável por eliminar desvios inerentes à ação somente proporcional. Na tecnologia MFA, esta ação é resultado da saída de uma rede neural.
A rede neural utilizada é do tipo perceptron multicamada com funções de ativação φ(.) e filtros Ψ(.) não lineares. As entradas da rede (E 1 , E 2 , E 3 ,… E n ) são fornecidas por uma memória que acumula N valores passados do erro de processo e(t). A rede proporciona a ação integral somando os valores do erro ao longo do tempo. A única diferença entre esta operação e a integração simples utilizada no termo integral do PID é que cada elemento da soma é ponderado individualmente e filtrado, e os pesos mudam ao longo do tempo. Os pesos ajustáveis w ij e h i conferem à rede a capacidade de aprender o comportamento dinâmico do processo contido na série de medições de entradas e saídas ao longo do tempo. O algoritmo de aprendizado ajusta continuamente o valor dos pesos wij e hi procurando minimizar o erro e(t). Desta forma a rede passa a ter o comportamento adaptativo e dinâmico necessário para correta representação do sistema, mesmo que este mude suas características como acontece com sistemas não lineares ou variantes com o tempo. Pode-se verificar a capacidade adaptativa de “aprender” em tempo de execução do MFA, observando a figura 7.
No gráfico superior observa-se que após um período oscilando a malha de controle MFA estabiliza sua ação mesmo para uma alteração se “set-point”. Para o mesmo processo a ação do controle PID do gráfico inferior continua oscilatória. Isto demonstra claramente a capacidade adaptativa do controle MFA fornecida pela rede neural. Pode-se provar teoricamente que a tecnologia MFA garante a estabilidade em malha fechada mesmo para processos com tempo morto, não lineares ou variantes no tempo, desde que o sistema a ser controlado seja passivo, controlável e não mude o sinal de ganho. Um sistema passivo é aquele que pode acumular, mas não gerar energia, como a grande maioria dos processos industriais. Ser controlável e não inverter o sinal do ganho é exigência para estabilidade de absolutamente todas as técnicas de controle. Seguindo os preceitos da “Inteligência Combinada” foram desenvolvidas diversas variações da tecnologia MFA para melhorar o desempenho do controle em problemas específicos tais como: sistemas com grande “tempo morto”; sistemas de pH; compensação antecipatória para perturbações medidas; controle em cascata; controle multivariável; controle não linear; e controle robusto para processos com grandes perturbações não medidas; controle de reatores exotérmicos e controle com otimização. O MFA apresenta algumas vantagens em relação aos algoritmos tradicionais de controle adaptativos ou baseados em modelo de processo. Não exige grande conhecimento nem identificação do modelo do processo. Sua implementação é simples e rápida evitando projetos complicados e demorados. A sintonia inicial é bastante fácil e não exige ajustes posteriores dos parâmetros do controlador. O MFA é um algoritmo rápido, o que permite sua utilização para sistemas de alta frequência. Tivemos a oportunidade de fazer algumas aplicações no Brasil que comprovaram na prática a qualidade da tecnologia MFA [6].
Conclusões
Atualmente as aplicações de Controle Avançado são simples de realizar e oferecem grandes benefícios para as plantas de processo. Os modernos sistemas digitais oferecem ferramentas que facilitam e reduzem os custos de implementação do Controle Avançado. Não faz sentido modernizar os sistemas de controle sem obter os benefícios relativos à redução na variabilidade da planta. Considerar a planta de uma forma global, fazer uma análise do processo e das estratégias de controle, determinar seus objetivos de controle e as variáveis críticas é um passo preliminar de fundamental importância para o sucesso de um projeto. Fazer um diagnóstico de variabilidade determinando suas causas e quantificando o potencial de ganhos com sua redução permite a correta priorização dos projetos. A utilização das soluções simples, com a tecnologia adequada ao desempenho desejado para o processo é a melhor forma de desenvolver um projeto de controle. O uso de tecnologias conhecidas e a experiência prévia em sua aplicação reduzem o risco de uma implementação mal sucedida.
