Soft Sensors - Instrumentação Analítica e Indústria 4.0

O conceito de indústria 4.0 se baseia em um conjunto de tecnologias cuja aplicação pode trazer inúmeros benefícios: capacidade de tomada de decisão para modificação de processos produtivos em tempo real, virtualização, descentralização, etc. As tecnologias que compõem a indústria 4.0 incluem: Big Data, Internet das Coisas (IoT), Computação em Nuvem, Manufatura Digital, entre outras.

A integração dessas tecnologias em uma fábrica a tornariam em uma “fábrica inteligente”, onde seriam processados dados de todo o sistema físico, operacional e recursos humanos, com o objetivo de dirigir fabricação, manutenção, controle de estoque, digitalização de operações, entre outros, com maior capacidade de prever e se adaptar às mudanças necessárias.

Porém para entender a conexão entre esse universo e a instrumentação analítica, e os avanços que estão acontecendo, precisamos focar na área de Big Data. Esta área do conhecimento está relacionada com a manipulação e processamento de um grande volume de dados.

Dentro do Big Data existe ainda a área de Mineração de Dados (Data Mining), que basicamente significa extrair informação desses dados, identificando padrões consistentes capazes de gerar insights valiosos para o processo. Vale ressaltar que são os instrumentos analíticos que disponibilizam esses dados na indústria de processos (química, petroquímica, papel e celulose, farmacêutica, etc.).

Esses dados, que são utilizados principalmente para monitoramento e controle do processo, podem também ser utilizados para construir modelos preditivos, o que significa estimar um parâmetro crítico utilizando informação fornecida por outros parâmetros ou sinais.

Esses modelos preditivos são chamados de “Soft Sensors” (ou “software sensors”). Outros termos comuns são sensores preditivos, sensores inferenciais, ou analisadores on-line virtuais. Os soft sensors representam a conexão da instrumentação analítica com a indústria 4.0.

Vejamos uma representação esquemática:

A lista de aplicações é ampla. Alguns exemplos são:

- Desenvolvimento de Soft Sensor para predição on-line de emissões de NOx em um processo de combustão, cujo modelo está baseado em diversas variáveis de processo: pressão e vazão do ar de combustão, temperatura na entrada do economizador, vazão e calor latente do combustível.

- Desenvolvimento de Soft Sensor para medir a qualidade da alumina no processo, a partir de medições da planta realizadas por instrumentos on-line, e dados de laboratório.

- Diversas aplicações na indústria química, papel e celulose, aço, entre outros.

Porém surge a dúvida: Por que estimar um parâmetro crítico a partir de outros sinais, e não medir aquele parâmetro diretamente? Talvez por motivos tecnológicos (aquele parâmetro não pode ser medido on-line) ou motivos econômicos (é necessário investimento muito alto em equipamentos, e uma estimativa suficientemente boa poderia ser obtida utilizando sensores de menor custo).

Saber utilizar eficientemente o conhecimento adquirido a partir dos dados, e converter esse conhecimento em decisões efetivas é o grande desafio das indústrias de processo.

As técnicas para a construção desses modelos preditivos podem ser lineares ou não lineares: PCA (análise por componentes principais), MLR (regressão linear multivariada), PLS (mínimos quadrados parciais), redes neurais, etc. Mas vou deixar para falar dessas técnicas em outro artigo.

Fontes:

(1) Curso “Desvendando a indústria 4.0”. Centro SENAI de Tecnologias Educacionais. 2020.

(2) “The smart factory”. Deloitte University Press. 2017.

(3) M Kadlec, P., Gabrys, B., & Strandt, S. Data-driven Soft Sensors in the Process Industry. Computers and Chemical Engineering. 2008.

(4) Hasnen, S.H., M.S.H., Zabiri, H., Prakash, K.K., Mat, T.T. Adaptive PLS inferential soft sensor for continuous online estimation of NOx emission in industrial water-tube boiler IOP Conference Series: Materials Science and Engineering 702.2019.

(5) Cregan, V., Lee, W.T., Clune, L. A soft sensor for the Bayer process. Journal of Mathematics in Industry. 2017.

(6) Development of soft sensors for monitoring and control of bioprocesses. Linköping Studies in Science and Technology. Dissertation No. 1954. 2018.

(7) Ge, Z., Song, Z., Ding, S.X., Huang, B. Data Mining and Analytics in the Process Industry: The Role of Machine Learning. IEEE Access. Special Section on Data-Driven Monitoring, Fault Diagnosis and Control of Cyber-Physical Systems. 2017.