uma proposta para utilizac˘ao de sistemas especialistas … · sistemas especialistas. 2 aspectos...

UMA PROPOSTA PARA UTILIZACAO DE SISTEMAS ESPECIALISTAS NOCONTROLE DE PLANTAS INDUSTRIAIS AUTOMATIZADAS

Luiz H. S. Torres∗ Leizer Schnitman∗

∗Centro de Capacitacao Tecnologica em Automacao Industrial (CTAI)Escola Politecnica - Universidade Federal da Bahia

Rua prof. Aristides Novis, no 02, 2o andar, Federacao, CEP: 40.210-630, fone: (71) 3283-9755Salvador, Bahia, Brasil

Email: [email protected];[email protected]

Abstract— In industrial production systems, operators and engineers daily develop a degree of knowledgeabout some processes to the point of becoming experts in the systems where they operate. In order to takeadvantage of this knowledge and experience, an expert system can be developed to model and store the inferenceand decision-making ways of the operators in their work routines. This article considers that in a context ofgreater autonomy, a expert system could be embedded, for example, coupled in a CLP, and may take controlactions in a closed loop system without the direct intervention of operators. Thus, an objective of this studyis to show an example of using a expert system developed for the automatic tuning of PID parameters of aconventional controller. The study includes a conceptual proposal for developing the application and emphasizesthe importance of artificial intelligence (AI) technologies to obtain a higher degree of autonomy. In addition,results achieved in a numerical simulation are also presented.

Keywords— Process control, Intelligent control, Embedded systems, Expert systems in automation.

Resumo— Em sistemas industriais de producao, os operadores e engenheiros desenvolvem diariamente umgrau de conhecimento acerca de alguns processos ao ponto de se tornarem especialistas dos sistemas onde atuam.No intuito de aproveitar parte desses conhecimentos e experiencia, um sistema especialista pode ser desenvolvidopara modelar e armazenar os modos de inferencia e tomada de decisao dos operadores em suas rotinas detrabalho. Este artigo considera que, em um contexto de maior autonomia, um sistema especialista poderia serembarcado, por exemplo, a um CLP, e poderia tomar acoes de controle em malha fechada sem a intervencaodireta de operadores. Assim, um objetivo deste estudo e o de mostrar um exemplo de utilizacao de um sistemaespecialista desenvolvido para a resintonia automatica de parametros PID de um controlador convencional. Oestudo inclui uma proposta conceitual para desenvolvimento da aplicacao e enfatiza a importancia das tecnologiasde inteligencia artificial (IA) para obter-se um maior grau de autonomia. Alem disso, resultados alcancados emuma simulacao numerica tambem sao apresentados.

Palavras-chave— Controle de processos, Controle inteligente, Sistemas embarcados, Sistemas especialistasem automacao.

1 Introducao

Atualmente, os sistemas de producao industrialpodem atingir muitos nıveis de complexidade e suasupervisao eficiente por um unico operador nao egeralmente facil. Assim, para sistemas razoavel-mente complexos, tem sido comum designar va-rios engenheiros e operadores, de modo que cadaum monitore e controle subsistemas especıficos.Como uma consequencia natural, estes recursoshumanos tornam-se especialistas em subareas dosistema maior e nao raro operam varios proces-sos. No entanto, mesmo em um ambiente signi-ficativamente automatizado, muitas das acoes decontrole ainda sao transmitidas verbalmente en-tre os integrantes do corpo operacional, exigindofrequentes intervencoes manuais nos equipamen-tos e uma constante comunicacao com as salas desupervisao (Pacheco and Lepikson, 2010).

Entretanto, se, por um lado, este modus ope-randi pode vir a sobrecarregar os operadores (au-mentando, por exemplo, os riscos de falhas hu-manas), por outro, o contato diario com a plantatende a elevar o grau de conhecimento deles acercade alguns processos nos sistemas onde atuam. E

notorio o modo como os especialistas conseguemreconhecer padroes e modos de operacao tıpicosde uma maneira muito intuitiva nas suas areasde trabalho. Normalmente quanto maior a ex-periencia, mais habilidosos (isto e, mais precisose rapidos) se tornam neste reconhecimento. Elesdesenvolvem uma especie de modelo cognitivo doprocesso, o qual incorpora as regras, formas derelacionamento e os agrupamentos naturalmentepresentes nos dados oriundos dos sistemas e equi-pamentos (Liao, 2005). No intuito de modelare armazenar este modo de atuacao dos operado-res e engenheiros, sistemas especialistas tem sidodesenvolvidos e aplicados em diversos segmentosindustriais. Muitas sao as aplicacoes desenvolvi-das que utilizam sistemas artificiais inteligentes(Oliveira et al., 2007; Lim and Kim, 2017; Mancoet al., 2017).

Em sistemas sujeitos a acontecimentos im-previstos, independente do nıvel de frequenciaem que ocorrem tais eventos, adotar funcoesde controle puramente convencionais ou pre-determinadas pode nao ser uma solucao eficienteporque o sistema pode precisar de se adaptar emtempo real a falhas internas ou a imprevistos para

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 1202

assegurar e ate mesmo melhorar seu proprio de-sempenho e robustez (Zhang, 2016). Assim, estetrabalho inclui uma proposta, ainda que concei-tual em muitos dos seus detalhes, de um sistemade controle inteligente instanciado a nıvel localpara sistemas industriais automatizados. A pro-posta em questao e baseada na utilizacao de tec-nologias de inteligencia artificial, sobretudo, a desistemas especialistas.

2 Aspectos de Fundamentacao Teorica

Um sistema especialista (SE) e um programa decomputador que fornece uma saıda (normalmenteuma recomendacao ou aviso) a partir de um meca-nismo de inferencia e uma base de conhecimentotecnico (conhecimento especializado) (Liao, 2005).Em geral o programa contem tres partes:

• uma base de dados que representa algum sub-conjunto do conhecimento especialista;

• algoritmos para manipular esta base de dados(geralmente descritos genericamente comomecanismo ou motor de inferencia);

• e algum tipo de interface que possibilite tantoum usuario entrar com informacoes quanto oprograma apresentar resultados.

Os dados e informacoes de entrada e de saıda po-dem ser fornecidos de modo on-line ou off-line.A base de conhecimento e geralmente estruturadaem fatos e regras que se relacionam seguindo oformato tıpico “Se x1 e A1 e x2 e A2 e, ..., entao ye B”, onde os xi e y representam variaveis logicase faz com que cada regra cumpra uma forma nor-mal de implicacao do tipo “Antecedentes → Con-sequente”. Aqui uma analogia pode ser feita comsistemas de producao industrial. O modo comoos produtos sao gerados a partir de sistemas decontrole que utilizam um encadeamento de regras(neste caso regras de producao) segue um formatosemelhante ao apresentado acima. A Fig.(1) apre-senta um esboco de uma arquitetura generica deum sistema especialista, a analogia com um sis-tema de producao, e os principais componentesde ambos.

Mas as semelhancas nao param por aqui. Alogica fuzzy e baseada na teoria de conjuntos fuzzydesenvolvida por Zadeh em 1965 (Zadeh, 1965) elida com a generalizacao da logica binaria paraincluir conceitos imprecisos, vagos e ambıguos, talcomo tambem ocorre em ambientes de producao,onde parametros sao conhecidos com incerteza eerros de modelagem ou de medicao sao comuns. Alogica fuzzy estende o conceito de estados binarios“verdadeiro”e“falso”, fornecendo as bases para in-ferencia de um espectro de estados intermediariospossıveis e, por exemplo, o conhecimento de umapessoa em lidar com conceitos imprecisos, como

Figura 1: Analogia entre um sistema especialistae um sistema de producao

’muito baixo’ ou “ligeiramente alto”, criando esta-dos entre “verdadeiro” e “falso”, ou “perto de ver-dadeiro” e “parcialmente falso”. Na area de con-trole automatico, onde a logica fuzzy ja e usadaextensivamente, ela possibilita utilizar o conheci-mento de um especialista para melhoria de desem-penho de um processo. Porem, outras tecnologiasde inteligencia artificial podem ser incorporadasa um sistema especialista desenvolvido para ope-racoes industriais (Oliveira et al., 2007). As re-des neurais artificiais, por exemplo, podem pro-ver a um SE a desejada capacidade de aprendiza-gem e adaptabilidade para a proposicao de novasregras e novas acoes corretivas e/ou preventivasem cenarios sujeitos a constantes mudancas (Limand Kim, 2017). Tecnicas de agrupamento de da-dos (em ingles data clustering) formam a base demuitos algoritmos de classificacao e modelagem desistemas, cujo objetivo e o de identificar agrupa-mentos naturais dentro de um grande conjunto dedados; esta e uma propriedade muito util em pro-cessos industriais que geram e armazenam quan-tidades enormes de dados a cada instante. Ja aclasse de algoritmos geneticos fornecem um me-todo poderoso e efetivo de resolver problemas deotimizacao, algo que e sempre perseguido em sis-temas de producao. Isso apenas para citar algunsexemplos. No entanto, quando essas tecnologiassao combinadas, os resultados para um sistemapodem ser potencializados aproveitando-se o me-lhor de suas caracterısticas. A utilizacao delas demodo conjunto na forma de sistemas especialistase um tema que atrai a atencao da comunidade aca-demica e industrial associada a automacao, anoapos ano (Liao, 2005; Manco et al., 2017).



1203

3 Contexto para Implementacao doSistema de Controle Inteligente

Um controlador e um modulo importante respon-savel por buscar manter a estabilidade de um sis-tema, assegurando seu bom desempenho e com-pensando ineficiencias nos processos controlados.Atualmente, uma arquitetura muito comum nocontrole de alguns sistemas industriais automati-zados e tipicamente “mestre-escravo”. Uma alter-nativa para melhorar o desempenho do processode producao e a de acoplar no controlador umsubmodulo inteligente. A Fig.(2), proposta em(Pacheco and Lepikson, 2010), ilustra um exem-plo de arquitetura de controle convencional e umaalternativa com modulo de inteligencia.

O modulo de inteligencia tem como objetivoreduzir a necessidade de interferencia contınua deoperadores e engenheiros no sistema de controleconvencional. Assim, o sistema estudado consisteem um sistema inteligente de controle a nıvel lo-cal de forma a permitir ao controlador tomar de-cisoes mais complexas em cada sistema fısico. Acomplexidade referida aqui e aquela que exige, porexemplo, novas acoes e adaptabilidade a partir deaprendizado e de inferencias extraıdas dos dadosque constantemente chegam dos instrumentos eatuadores, e que sao armazenados em uma base dedados local (base de conhecimento do processo).Em um nıvel de abstracao maior, os dados saoenviados para um historiador, para composicao eanalise, por exemplo, de series historicas e tenden-cias. A partir do historiador, os dados de outrosprocessos que compoe outros sistemas sao armaze-nados em uma base global, para analises e decisoesao nıvel de gestao, por exemplo, utilizando-se cri-terios economicos. Localmente essa inteligenciae implementada pelo submodulo incorporado aocontrolador. Tal modulo pode ser conectado, porexemplo, embarcando-o em um CLP, capacitando-o a processar um algoritmo baseado em tecnicas deIA, acessar e armazenar dados na base de conhe-cimento local, assumindo a funcao de ser um sis-tema especialista embarcado diretamente no pro-cesso. O sistema de supervisao permanece moni-torando o sistema de controle local e as equipesde operacao podem intervir nas situacoes em queuma acao local nao e suficientemente adequada.Na alternativa apresentada na Fig.(2), o contro-lador convencional e o modulo inteligente sao in-terdependentes, mas separaveis tanto a nıvel dehardware quanto de software. Desta forma, ma-nutencoes e atualizacoes no modulo nao acarretamem interferencia nas rotinas basicas do controla-dor (ex.: limites operacionais, intertravamento) ea operacao prossegue com parametros de controleobtidos pelo modo convencional.

4 Aplicacao em Controle de Processos

Apesar de existirem boas propostas para a sinto-nia automatica de malhas de controle industriais,e uma pratica comum os operadores ainda recor-rerem, em muitos casos, a tentativa e erro, so-bretudo em plantas cujas arquiteturas seguem omodelo puramente convencional, como foi descritona secao anterior. Desta forma, muitas malhasde controle ainda sao resintonizadas manualmente(Zhang, 2016).

Para ilustrar este fato, considere inicialmenteuma planta que possui um processo que pode serbem aproximado por uma funcao de transferenciano formato dado a seguir:

Gp(s) =Ke−Ls

Ts + 1, (1)

onde K representa o ganho estatico do processo,T e a constante de tempo e L e o atraso de trans-porte (tambem chamado de tempo morto). Estetipo de modelo e representativo de muitos pro-cessos quımicos. Supoe-se inicialmente que o pro-cesso e estavel em malha fechada e que ja dispoede um sistema de controle projetado para man-ter o rastreamento de uma referencia (setpoint),entre outras caracterısticas dinamicas desejaveisda resposta (saıda) da variavel de processo. Adespeito de suas limitacoes, o controlador classicoPID ainda e o esquema de controle mais utilizadono controle regulatorio na industria de processos.Uma forma usual da funcao de transferencia docontrolador PID e que pode ser aplicada para ocontrole de Gp(s) e dada pela equacao Eq.(2),

Gc(s) = Kp +Ki

s+

Kd

Ns + 1, (2)

onde Kp e o ganho proporcional, Ki, o ganho in-tegral, Kd, o ganho derivativo. A constante Ne chamada de constante de tempo de filtro paratornar realizavel a acao derivativa do controlador.Contudo, e sabido que na pratica se o atraso detransporte do processo for muito longo (i.e., maiorque duas vezes o valor da constante de tempo),o desempenho de um controlador PID e severa-mente limitado (Wu and Wu, 2016). Isso ocorreporque o controlador PID, na forma como aparecena Eq.(2), nao possui meios de como lidar com oatraso e, em geral, aumenta as oscilacoes quandoa saıda medida do processo nao corresponde aoponto de ajuste desejado (setpoint). Estrategiasutilizando o Preditor de Smith normalmente im-plementam um modelo interno para prever a res-posta livre de atraso e, em seguida, fazer os ajustesnecessarios no controlador para atingir o setpoint.A implementacao do Preditor de Smith requer or-dinariamente um modelo da dinamica do processoe uma estimativa do atraso do processo, alem defiltragem. Em outra palavras, o que ha no Pre-ditor de Smith (e que falta ao PID comum) e o



1204

Figura 2: Um exemplo de arquitetura de controle convencional e uma alternativa com submodulo inteli-gente (adaptada de (Pacheco and Lepikson, 2010)).

“conhecimento” do atraso do sistema. Algo que osoperadores aprendem com o trabalho diario juntoao processo. Porem, o modelo interno do esquemado Preditor e apenas uma aproximacao da verda-deira dinamica da planta. Em situacoes praticasonde ha incertezas e variacoes dos parametros doprocesso (inclusive sobre o valor do atraso), er-ros de modelagem podem comprometer significa-tivamente o desempenho deste esquema (Wu andWu, 2016).

Depois de um certo tempo, mesmo com aplanta ja operando em um determinado ponto de-sejado, os parametros Kp, Ki e Kd precisam serreajustados. Deve-se isso ao fato de que os equi-pamentos e o proprio processo estao sujeitos a mu-dancas no ambiente onde estao inseridos. Assim,os ajustes nos parametros PID tambem sao fei-tos para lidar com a variacao dos parametros doprocesso (no nosso exemplo, sao os parametros K,L e T ), e nao apenas para atender a um setpointpretendido. Entretanto, em muitos casos os opera-dores e engenheiros do processo nao podem sabercom precisao a magnitude de variacao dos parame-tros, pois se soubessem teriam meios praticos maisassertivos de recalcular com clareza os parametrosdo controlador. Desta forma, quando dispoem daresposta exibida pelo processo (sinal de saıda) elesfazem (ou melhor, tentam) seguidos ajustes on-line ate conseguir um conjunto Kp, Ki e Kd queatenda a requisitos de desempenho desejados (ex.:sobressinal maximo, tempo de resposta, etc.).

Um fato interessante e que, fazendo pouco oumesmo nenhum calculo, os operadores usam a ex-periencia e treinamento que possuem, conseguemrealizar intuitivamente um diagnostico da situacaoda planta e, por fim, decidem tomar uma acao deajuste para o processo (ainda que de modo ma-nual). Na grande maioria das vezes, sao bem-sucedidos nas suas avaliacoes e escolhas. No in-

tuito de aproveitar parte desses conhecimentos eexperiencia, um sistema especialista pode ser de-senvolvido e utilizado para modelar e armazenaros modos de inferencia e tomada de decisao deoperadores na tarefa de resintonizar os parametrosPID de um controlador convencional. Um exem-plo numerico simulado e apresentado na proximasecao.

5 Resultados de um Exemplo Simulado

Apesar do grau industrial da arquitetura pro-posta, um software de simulacao pode ser usadocomo um ambiente de programacao para ilustrarcom um exemplo numerico. Um modelo que des-creve um processo quımico no mesmo formatodado na Eq.(1) pode ser escrito pela seguinte fun-cao de transferencia,

Gp(s) =2e−15s

10s + 1, (3)

onde os valores de K = 2 (ganho estatico), T =10s (constante de tempo) e L = 15s (atraso) saotidos como originalmente nominais. Um conjuntode caracterısticas de desempenho do sistema emmalha fechada e especificado para este processo deforma que o maximo sobressinal Mp seja inferiora 3%, que o tempo de subida tr seja inferior a 85se o tempo de acomodacao ts seja menor que 120s(criterio a 2% em torno do valor de regime perma-nente). Utilizando como ponto de partida paraa sintonia o primeiro metodo de Ziegler-Nichols(Ogata, 2011) e, apos seguidos ajustes manuais,chega-se a um conjunto de parametros PID quesatisfaz as especificacoes projetadas e que possuios seguintes valores Kp = 0, 1; Ki = 0, 0133 eKd = 0, 1. Com este conjunto PID, a respostafinal em malha fechada possui as seguintes ca-racterısticas: Mp = 2, 53% (max. sobressinal),



1205

tr = 77, 65s (tempo de subida), ts = 115, 18s(tempo de acomodacao). Esse conjunto de espe-cificacoes sera tido inicialmente como nominal.

Entretanto, como o processo pode estar su-jeito a variacoes de seus proprios parametros, umnovo conjunto K, T e L e aleatoriamente geradosubstituindo os parametros nominais do processo, passando aos seguintes valores: K = 2, 555,T = 7, 375s e L = 19, 864s. Observa-se agora queo atraso e mais do que o dobro da constante detempo (L > 2T ). Como o controlador nao foi ori-ginalmente sintonizado para este novo conjunto,naturalmente espera-se uma deterioracao do de-sempenho inicialmente projetado, o que e con-firmado por meio das medidas: Mp = 17, 087%,tr = 51, 93s, ts = 147, 09s. A Fig.(3) exibe ossinais da resposta dos processos nominal e comparametros alterados.

Figura 3: Comparativo entre os sinais da respostados processos nominal e com parametros alterados

Como o tempo de acomodacao subiu, um au-mento no valor do ganho proporcional Kp paratornar o sistema mais rapido pode ampliar aindamais as oscilacoes, podendo tambem, alem do ex-tremo, levar o sistema a instabilidade. Por outrolado, a estrategia de simplesmente diminuir o Kp

reduz as oscilacoes, mas pode levar o sistema a exi-bir uma resposta ainda mais lenta. Naturalmenteum equacionamento para a regulagem da respostae realizado ajustando-se simultaneamente o para-metro Ki. Alguns metodos de sintonia automaticafazem precisamente isto. A alteracao de um pa-rametro do sistema, leva a tais metodos a ajustarautomaticamente os parametros do controlador.Mas, nem sempre a resposta sai a contento. E, emmuitos casos, um “ajuste fino” e necessario. Nor-malmente, o comportamento do operador e o detentar e errar algumas vezes, isto e, se o processopermitir tal abordagem. Em alguns casos prati-cos e, de novo, se o processo permitir, o opera-dor, no limite de sua paciencia, chega ao extremode “abrir” a malha de controle para encontrar umconjunto de parametros PID adequados para umdeterminado desempenho, para depois novamentefecha-la e manter a operacao automatica padrao.

O sistema especialista utilizado aqui e cons-truıdo com o intuito de modelar e armazenar o

conhecimento do operador sobre o processo, apre-ender dos dados quando alguma mudanca ocorree decidir por uma acao especıfica. Supostamentee este conhecimento que descreve como o processoem malha fechada funciona. Em tese, se o sistemaespecialista for bem sucedido em “capturar” esteconhecimento, entao ele podera reproduzir o com-portamento do sistema e tambem gerar diagnos-ticos e recomendacoes sobre que medidas adotare, se tiver autonomia para isso, dentro das pers-pectivas da proposta estudada, tomar automatica-mente uma acao de controle junto ao controladorconvencional.

Na analise do problema proposto, os conheci-mentos sao gerados com base em conceitos linguıs-ticos e regras definidas por especialistas em con-trole de processos. Nesta simulacao, as caracterıs-ticas do desempenho deteriorado (Mp = 17, 087%,tr = 51, 93s, ts = 147, 09s) habilita o SE a geraro seguinte conjunto de diagnosticos (Tab.(1)):

Tabela 1: Conjunto de diagnosticos gerados peloSE para o processo

Se: Status atual e:Sobressinal (Mp) ALTOTempo de Subida (tr) BAIXOTempo de Acomodacao (ts) ALTO

Entao: Diagnostico e:Ganho Estatico (K) AUMENTOUConstante de Tempo (T ) DIMINUIUAtraso de Transporte (L) AUMENTOU

Estes diagnosticos, alem de serem registradoslocalmente em uma base de dados do processo,tambem podem ser enviados a uma sala de su-pervisao para conhecimento dos responsaveis pelaoperacao. O SE fornece adicionalmente um con-junto de estimativas dos parametros do processo(vide Tab.(2) abaixo). Pode-se inclusive realizaruma simulacao gerando um grafico comparativo(Fig.(4) a seguir) entre a resposta atual da va-riavel controlada (i.e., resposta com desempenhodeteriorado) e o sinal de saıda de um modelo, cu-jos parametros sao obtidos a partir das estimativassupracitadas, e que melhor aproxima a mesma res-posta do sistema com os mesmos parametros PIDusados pelo processo no momento da estimacao.Alem disso, o valor do erro medio quadratico ecalculado e, neste exemplo, e igual a 0,0063. Tam-bem e apresentado a seguir um grafico com o sinalde erro absoluto entre a resposta do processo e aresposta estimada (Fig.(5)).

Neste exemplo, um exame dos graficos e va-lores fornecidos mostra que a resposta do modeloe a do processo estao razoavelmente proximas. Aprincıpio as estimativas parecem ser satisfatorias.A partir das estimativas o SE pode calcular umnovo conjunto de parametros PID para o contro-lador, de modo que o sistema em malha fechada



1206

Tabela 2: Comparativo entre os parametros doprocesso e as respectivas estimativas

Parametros Processo EstimativasK (adm.) 2, 555 2, 575T (em s) 7, 375 6, 985L (em s) 19, 864 20, 491

Figura 4: Comparativo entre a resposta atual davariavel controlada e o sinal de saıda de um mo-delo com parametros estimados

volte a atingir o desempenho inicialmente proje-tado para o processo ou ate um conjunto de no-vas especificacoes. Assim, para ilustrar, e consi-derando que o desejo seja o de voltar a atender asespecificacoes originais projetadas, o SE calcula erecomenda os seguintes valores de parametros PID(Tab.(3) a seguir).

Tabela 3: Comparacao entre os conjuntos de pa-rametros do controlador

Parametros PIDConjunto

atual

Conjunto

recomendado pelo SE

Kp 0, 100 0, 084Ki 0, 013 0, 011Kd 0, 100 0, 121

A Fig.(6) abaixo mostra dois sinais. Na corvermelha a resposta do processo atual (isto e, comparametros alterados e com os parametros PID re-sintonizados pelo SE). Em preto esta o sinal doprocesso original (isto e, com parametros nomi-nais). Os dois sinais estao muito proximos. Parafins de comparacao, o grafico do erro absoluto en-tre as duas respostas e apresentado na Fig.(7).Tambem e fornecida uma tabela (Tab.(4)) comas caracterısticas de desempenho atingidas peloprocesso atual e aquelas do processo original (istoe, antes da variacao aleatoria dos parametros doprocesso). Nota-se que as caracterısticas atuaisatendem as especificacoes de desempenho inicial-mente projetadas para o processo e, inclusive, saobem proximas daquelas originais.

A partir das informacoes disponibilizadas peloSE, o operador ou gestor responsavel pode fazer

Figura 5: Sinal de erro absoluto entre a respostado processo e a resposta estimada

Figura 6: Resposta da variavel controlada comparametros PID resintonizados

um avaliacao da situacao, concordando ou naocom os diagnosticos e recomendacoes geradas e,por fim, tomar decisoes considerando tambem ou-tras partes do sistema. Encarado desta forma,o sistema especialista cumpre um papel de seruma ferramenta de apoio a tomada de decisao.A maioria das aplicacoes industriais atuais utili-zam sistemas especialistas apenas desta maneira(Liao, 2005). Naturalmente ha fortes justificati-vas para isto, tais como, por exemplo, confiabili-dade, sincronismo com o restante do sistema, se-guranca, precisao dos diagnosticos artificialmentegerados, entre outros. Mas, a proposta estudadainclui a incorporacao do SE diretamente no con-trolador do processo. Ou seja, vislumbra-se assimum contexto de maior autonomia, no qual um sis-tema especialista poderia tomar automaticamenteuma acao de controle com base em um diagnosticogerado sem a intervencao direta do operador.

6 Conclusoes

Este trabalho discute uma proposta de utilizacaode sistemas especialistas no controle automaticode sistemas industriais. E feita uma analogia en-tre a estrutura de sistemas especialistas e sistemasde producao, destacando-se uma certa semelhancaque pode oportunizar algumas aplicacoes em am-bito industrial. Destaca-se a importancia do usocombinado de algumas tecnologias de inteligencia



1207

Figura 7: Sinal de erro absoluto entre a respostado processo original e a resposta resintonizada

Tabela 4: Comparativo entre as caracterısticasde desempenho alcancadas: processo atual versusprocesso original

Caracterısticas

de desempenho

Espec.

projetada

Processo

original

Processo

atual

Mp (em %)

(max. sobressinal)< 3% 2, 53 2, 63

tr (em s)

(tempo de subida)< 85s 77, 65 81, 18

ts (em s)

(tempo de acomodacao)< 120s 115, 18 119, 72

artificial na implementacao de um SE, com o in-tuito de aproveitar um sinergismo entre disciplinasque podem ser encaradas como complementares.A proposta inclui, ainda que conceitualmente, aincorporacao de um SE em um sistema de con-trole instanciado a nıvel local. Argumenta-se quetal proposta amplia as capacidades do controladorlocal, provendo-o de certo grau de inteligencia, queestaria assim disponıvel e acessivel de modo maisrapido e objetivo, o que, em tese, beneficiaria oprocesso local e o sistema como um todo. Porfim, como um estudo e demonstracao, um exem-plo numerico e fornecido para ilustrar uma possı-vel aplicacao da proposta no ajuste automatico deum controlador PID em processos com parametrosvariantes e atraso. Os resutados alcancados sus-citam a discussao de aplicacoes de sistemas espe-cialistas em cenarios onde uma maior autonomiados sistemas e um requisito importante e necessa-rio. Como trabalhos futuros, esta pesquisa tam-bem busca solucoes otimas para situacoes em queum conhecimento local nao e suficiente para su-portar eventos crıticos (e.g.: perda de conexao) euma atitude cooperativa entre os processos locaisrelacionados pode manter o sistema de producaofuncionando de modo estavel, seguro e integrado.

Agradecimentos

Os autores agradecem ao CTAI da EP-UFBA pelainfraestrutura disponibilizada e a FAPESB pelo

apoio financeiro.

Referencias

Liao, S. (2005). Expert system methodologiesand applications: a decade review from 1995to 2004, Expert systems with applications28(1): 93–103.

Lim, C. G. and Kim, Y. M. (2017). An impro-ved location estimation with modular neuralfuzzy approach using received signal strengthin wireless sensor networks, Proceedings ofthe 2017 International Conference on Ma-chine Learning and Soft Computing, ACM,pp. 154–160.

Manco, G., Ritacco, E., Rullo, P., Gallucci, L., As-till, W., Kimber, D. and Antonelli, M. (2017).Fault detection and explanation through bigdata analysis on sensor streams, Expert Sys-tems with Applications .

Ogata, K. (2011). Engenharia de controle mo-derno, Prentice Hall.

Oliveira, F. M., Schnitman, L., Lepkison, H. A.,Correa, J., Neri Jr, A. L. and de Souza, J. F.(2007). Maice–a tool for knowledge repre-sentation, Proceedings of the 10th IASTEDInternational Conference on Intelligent Sys-tems and Control, ACTA Press, pp. 142–148.

Pacheco, L. A. d. and Lepikson, H. A. (2010). Au-tonomous local control and remote manage-ment: Alternative for critical industrial au-tomated systems, ABCM Symposium Seriesin Mechatronics 4: 538–545.

Vamvoudakis, K. G., Antsaklis, P. J., Dixon,W. E., Hespanha, J. P., Lewis, F. L., Mo-dares, H. and Kiumarsi, B. (2015). Auto-nomy and machine intelligence in complexsystems: A tutorial, American Control Con-ference (ACC), 2015, IEEE, pp. 5062–5079.

Wu, Y. and Wu, Y. (2016). An enhanced smithpredictor based robust control over networ-ked control system with random time de-lays, Control Science and Systems Enginee-ring (ICCSSE), 2016 2nd International Con-ference on, IEEE, pp. 50–54.

Zadeh, L. A. (1965). Fuzzy sets, Information andcontrol 8(3): 338–353.

Zhang, Q. C. (2016). A novel pid optimization te-chnique for synchronous motor start-up., In-ternational Journal of Simulation–Systems,Science & Technology 17(33).



1208

uma proposta para utilizac˘ao de sistemas especialistas … · sistemas especialistas. 2 aspectos...

Documents