DESENVOLVIMENTO DE SUPERVISÓRIOS PARA MONITORAÇÃO DE PROCESSOS SIMULADOS THIAGO M. BARROS¹,²

Transcrição

1 Anais do XIX Congresso Brasileiro de Automática, CBA DESENVOLVIMENTO DE SUPERVISÓRIOS PARA MONITORAÇÃO DE PROCESSOS SIMULADOS THIAGO M. BARROS¹,² ¹Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus Currais Novos, 773, Currais Novos/RN CEP: s: thiago.medeiros@ifrn.edu.br ADRIÃO D. D. NETO², JORGE D. MELO², MÁRCIA M. L. DUARTE³, VANJA M. F. BEZERRA³ ²Departamento de Engenharia de Computação e Automação, Universidade do Rio Grande do Norte Campus Universitário, s/n, Natal/RN - CEP: ³Departamento de Engenharia Química, Universidade do Rio Grande do Norte Campus Universitário, s/n, Natal/RN - CEP: s: adriao@dca.ufrn.br, jdelo@dca.ufrn.br, marcia@eq.ufrn.br, vanja@eq.ufrn.br Abstract The need to develop an architecture that promotes the monitoring of simulation software through supervisory, adding intelligent modules and devices such as CLP s according to the need of the problem, was the driving force of this work. In this study were developed two versions of supervisory (in C + + Builder and Elipse E3), using as communication between the supervisory and simulation software the OLE Automation, which, with the use of the database, promoted an easy maintainable and scalable architecture. Adding value to the work, was developed an intelligent module for the inference of the output stream composition of the simulated distillation column. This module was developed in a data analysis software, which also uses the Automation for communication with the supervisory. Keywords OLE Automation, simulation, distillation column, SCADA Resumo A necessidade de desenvolver uma arquitetura que promovesse a monitoração de softwares de simulação através de supervisórios, agregando módulos inteligentes e equipamentos como CLP's de acordo com necessidade do problema, foi a força motriz desse trabalho. No presente estudo foram desenvolvidas duas versões de supervisório (em C++ Builder e Elipse E3), utilizando como comunicação entre o supervisório e o software de simulação o OLE Automation, o qual, junto ao uso de banco de dados promoveu uma arquitetura de fácil manutenção e escalável. Agregando valor ao trabalho, foi desenvolvido um módulo inteligente para a inferência da composição da stream de saída da coluna de destilação simulada. Este módulo foi desenvolvido em um software de análise de dados, o qual também utiliza o Automation para a comunicação com o supervisório Palavras-chave OLE Automation, simulação, coluna de destilação, SCADA 1 Introdução Na camada de supervisão é possível encontrar desde sistemas mais simples, apenas com interfaces homem-máquina (IHM) locais, até ilhas de supervisão equipadas com computadores poderosos e com os sistemas SCADA. O termo SCADA (Supervisory Control And Data Acquisition) na automação é utilizado para denominar sistemas de supervisão, controle e aquisição de dados compostos por um ou mais computadores monitorando e controlando um processo (Viana, 2008). O processo monitorado e controlado pelo SCADA não, necessariamente, é um processo físico real, podendo ser também uma simulação de uma planta industrial em ambientes híbridos (Martins, 2008). De acordo com Garcia (1997), pode-se definir que simulação é a obtenção da resposta temporal das variáveis de interesse (variáveis dependentes) de um modelo, quando se excita suas variáveis de entrada com sinais desejados e se definem os valores das condições iniciais das variáveis dependentes. Simulação também pode ser definida como o processo de projetar o modelo de um sistema real e conduzir experimentos com este modelo com o propósito de entender o comportamento do sistema e/ou avaliar várias estratégias de operação do sistema (Shannon, 1998). Softwares de simulação como Unisim e o Hysys já obtiveram na academia e na indústria resultados comprovados de sua eficiência na simulação em colunas de destilação (Soos & Smejkal, 2001). A necessidade de que softwares implementados em diferentes linguagens de programação (no nosso caso o supervisório e o software de simulação) compartilhem dados entre si de modo que cada um cumpra seu papel específico - e gerem um único sistema com um propósito maior é um fato constante. De acordo com Nakamura (2011), a essa comunicação 3177

2 entre processos se dá o nome de IPC (Interprocess Communication), o qual denota um conjunto de chamadas de sistema que permite um processo do modo usuário possa: Sincronizar-se com outros processos; Enviar mensagens para outros processos ou receber mensagens deles; Compartilhar pedaços da memória com outros processos. O COM é um IPC que trabalha no estilo cliente/servidor. A partir do COM foi desenvolvido o Ole Automation, o qual torna possível que uma aplicação manipule objetos implementados em outra aplicação, ou exponha objetos que, por sua vez, possam ser manipulados (Microsoft, 2009). Para o controle ou supervisão em plantas de processos químicos é imprescindível obter medições online de variáveis que muitas vezes são compostos químicos que estão diretamente relacionados com a qualidade dos produtos finais e, por esse motivo, são de grande interesse econômico. De maneira geral, os sistemas de inferência são construídos para realizar estimativas das variáveis primárias a partir das variáveis secundárias de fácil mensuração, tais como: temperaturas, pressões, níveis e vazões (Rebouças, 2009). As Redes Neurais Artificiais vem ganhando cada vez mais espaço nessa área e se consolidando como uma das principais técnicas de inferência de variáveis na Indústria. Uma Rede Neural é um processador maciçamente paralelamente distribuído constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para o uso (Haykin, 2007). O objetivo deste trabalho é construir sistemas supervisórios, a fim de monitorar, e futuramente controlar, plantas simuladas em um software de simulação do processo de destilação de uma coluna acadêmica. Além disso, tem o intuito de construir uma arquitetura, a fim de agregar novos módulos como inferência de variáveis usando redes neurais, para agregação de valor ao sistema. 2 Proposta de Implementação Em suma, o supervisório desenvolvido irá realizar a comunicação com a simulação desenvolvida no Unisim através do Ole Automation, que utilizará um banco de dados para armazenar as variáveis de processo e através de módulos inteligentes realizará inferências e pré-processamento dos dados, como visto na Figura Coluna de Destilação Simulada Selecionada Como planta didática para o desenvolvimento do supervisório, foi selecionada a planta debutdyn (Figura 2). Figura 1: Visão geral da arquitetura desenvolvida FEED 2 FEED TEE-100 Main-TS Boilup To Reboiler PIC-100 TIC-100 VLV-101 VLV-100 PIC-101 LIC-101 VLV-105 FIC-100 Reboiler Duty E-100 P-100 Q-100 VLV-104 LIC-102 TEE-101 VLV-103 Figura 2: Coluna de Destilação Simulada Selecionada C5+ Butanes A planta debutdyn é um modelo geral para uma coluna de destilação usando mais detalhes do que apenas o módulo do condensador. O controle de pressão da coluna é obtido principalmente manipulando o excesso de vapor em torno do condensador. O PIC-101 controla o excesso da pressão acumulada liberando-o de forma controlada. A pressão do prato de topo é controlada pelo PIC- 100, que essencialmente mantém uma constante queda de pressão entre o prato de topo e o do acumulador. A vazão de refluxo está sobre o controle de fluxo, com o nível do acumulador sendo controlado pela vazão do produto. Há o controle de temperatura no fundo da coluna, e o controle de nível para o vaso. 2.2 Comunicação entre Supervisórios e Programa de Simulação Em ambas as versões do supervisório foi utilizado o Automation para realização da comunicação entre o software de simulação e o supervisório. A opção do Automation frente ao DDE também tecnologia da Microsoft para comunicação entre processos do Windows - é de recomendação da própria Microsoft (Microsoft, 2009), a qual descreve que as biblio- 3178

3 tecas OLE e DDEML (Dynamic Data Exchange Management Library): Oferecem toda a funcionalidade de mensagens DDE. O uso de bibliotecas reduzirá o tempo de desenvolvimento do aplicativo. Uma exceção a essa regra pode ocorrer quando um aplicativo requer apenas um subconjunto muito limitado da biblioteca OLE ou DDEML. As bibliotecas irão incorporar refinamentos futuros. Eles provavelmente incluem melhor desempenho por meio do uso de um novo mecanismo IPC em vez de usar mensagens DDE. De forma sucinta, a modelagem foi expressa em três tabelas (Figura 5), sendo elas: componente, variavel e historico_variavel. Respectivamente representam: os componentes que compõem a simulação como, por exemplo, coluna, controladores, reboilers; os atributos de interesse que compõem os componentes, tais como temperaturas, pressões; e os valores numéricos em um determinado momento dos atributos durante a simulação. %instancia o software de simulação hy = feval('actxserver', 'Hysys.Application'); % abre uma planta sc = invoke(hy.simulationcases, 'Open', 'E:\tcc\debutdyn_planta\debutdyn_ss.hsc'); % recupera algum controlador fic100 = hy.flowsheet.flowsheets.item('col1').operation.item('fic- 100'); Figura 3:Exemplo de Código em Matlab utilizando OLE Automation é capaz de realizar a comunicação de forma simples e eficiente entre o software de simulação e o supervisório, como visto na Figura 3. Entretanto, como visto no manual, a grande dificuldade é encontrar o caminho que deve ser realizado pelo software de simulação, a fim de encontrar o objeto desejado. Para resolução desse problema, o software Unisim disponibiliza uma espécie de histórico de variáveis denominado DataBook (Figura 4), no qual você deve configurar quais são as variáveis de interesse, um identificador da mesma e o estilo de acesso (leitura, escrita, leitura/escrita). Figura 4: DataBook com as variáveis de Interesses 2.3 Banco de Dados No supervisório desenvolvido foi projetado um módulo de armazenamento de dados das variáveis de interesses de cada simulação. Os dados foram salvos no Banco de Dados Postgres 9, tornando eficiente o seu armazenamento e o acesso em qualquer ponto do sistema, além de facilitar a utilização de tais dados por outros softwares que tenham suporte à banco de dados, como, por exemplo, softwares de análise estatística e mineração de dados. Figura 5: Modelagem do Banco de Dados 2.4 Supervisórios Desenvolvidos Foram desenvolvidas duas versões do sistema supervisório: a primeira utilizando o C++ Builder e a segunda utilizando o Elipse E Versão em C++ Builder De forma sucinta, podemos visualizar a estrutura do software desenvolvido no Diagrama de Classes na Figura 6. O controle sobre a comunicação entre o supervisório e o software de simulação é realizado pela classe ControllerHysys, que utiliza o objeto Automation UnisimDesign.Application ou Hysys.Application para recuperar e enviar dados. A comunicação com o banco de dados Postgres é realizada através do ODBC. Na tela inicial do software (Figura 8) encontramos as principais funcionalidades do sistema. Na Seção 1 temos as abas: Hysys e Configurar Hysys. A primeira contém as ações do supervisório e a segunda serve para configurar parâmetros do supervisório, como o período de aquisição de dados, e cadastrar novas variáveis e componentes no supervisório. Na Seção 2 temos as ações que podem ser realizadas no supervisórios, as quais consistem respectivamente (de acordo com a ordem dos botões da esquerda para direita): Conectar a simulação definida no campo Simulação Atualizar manualmente os dados na Seção 5 Solicitar que o programa Unisim simule a planta conectada Salvar as variáveis definidas na Seção 5 no banco de dados 3179

4 Adicionar uma variável selecionada na Seção 4 na simulação; Remover uma variável selecionada na Seção 5 da simulação. Figura 8: Tela Inicial do Supervisório em C++ Builder Figura 6: Diagrama de Classes C++ Builder Na Seção 3 são listados todos os componentes cadastrados no banco de dados. Ao realizar o evento duplo clique sobre um componente são listadas na Seção 4 as variáveis associada ao mesmo. Na Seção 4 são listadas as variáveis previamente selecionadas do componente da seção 3. Ao realizar o evento duplo clique sobre alguma das variáveis é exibido o gráfico com o histórico dos valores salvos no banco de dados. Na mesma tela, caso a variável seja cadastrada como editável, a mesma poderá ter seu valor alterado no supervisório e, consequentemente, no software de simulação de forma automática. Na Seção 5 são listadas as variáveis adicionadas para serem monitoradas na simulação. Ao realizar o evento duplo clique sobre alguma delas é exibido o gráfico em tempo real da mesma Versão em Elipse E3 O ambiente de desenvolvimento e a forma como os componentes interagem no Elipse E3 é diferente daquela encontrada no ambiente C++ BUILDER. O Elipse E3 é um ambiente de desenvolvimento voltado principalmente a eventos que utiliza o conceitos de associações entre atributos de objetos como principal forma de interação entre os mesmos. Essa mudança de paradigma de desenvolvimento trouxe algumas dificuldades iniciais para a sua concepção. Uma vez que não foram mais utilizados os conceitos da programação orientada a objeto (POO), a arquitetura do sistema fora modificada. Entretanto, o uso da UML através dos diagramas de classes e sequência ainda foram utilizados para melhor entendimento do sistema. Na versão implementada no Elipse E3 (Figura 10) foi utilizado o banco de dados com o mesmo intuito da versão em C++ Builder: armazenamento do histórico de variáveis selecionadas, armazenamento dos caminhos para acessar componentes e propriedades no software de simulação e outras informações adicionais. O banco de dados usado foi o Access 2007, uma vez que o Elipse E3 possui componentes que facilitam o desenvolvimento do supervisório, como os E3Chart e o E3Browser, entretanto esses componentes só são suportados pelos bancos de dados Oracle, SQLServer e Access. Figura 7: Diagrama de Sequência para Requisição de Dados entre Supervisório e Simulação Na Figura 7 mostra de forma simplificada como é realizada a interface entre supervisório e simulação. No primeiro momento o usuário requisita ao supervisório os dados das variáveis de seu interesse. Logo após é solicitado ao Banco de Dados os caminhos para acessá-las. Uma vez processados os caminhos, as mesmas são repassadas para o Ole Automation e só assim os dados serão retornados ao Supervisório em tempo real. Figura 9: Diagrama de Classes Elipse E3 3180

5 O Elipse E3 dá suporte ao desenvolvimento de scripts em VBScript. Este, por sua vez, tem a capacidade de instanciação de poderosos objetos disponibilizados pela plataforma Windows, entre eles o S- criptcontrol. Este objeto possui a capacidade de interpretar comandos imbuídos em strings. No Diagrama de Classes a Figura 9 apresenta a classe ControlUnisim sendo uma instância do XControls que pode ser adicionado a qualquer novo projeto do supervisório. O mesmo é o responsável pela realização da comunicação com o software de simulação através do Automation. O ControlUnisim também utiliza um temporizador, a fim de realizar requisições periódicas de informações ao software de simulação, as quais podem ser salvas na tabela de histórico no banco de dados. É também no ControlUnisim que é requisitada a rede neural implementada para realizar a inferência da composição molar do n-butane da saída da coluna. Figura 10: Tela Elipse E3 Na Seção 1 (Figura 10) encontram-se os botões das ações que podem ser realizadas no sistema. Estas ações são: Início: volta à configuração inicial das telas de cada frames; Gráficos: Exibe a tela de gráfico; Config: Exibe a tela de configuração do supervisório; Unisim: é realizado a conexão do objeto U- nisimdesign.application e salvo em uma Tag interna; Conect: é realizado a consulta no banco de dados de todos os componentes e propriedades cadastrados, a fim de realizar a instanciação do link entre cada objunisim e um elemento no software de simulação; Simular: é habilitado o temporizador, o qual ativará a ação periódica de recuperar as propriedades que devem ser monitoradas, salvar os valores em histórico e realizar inferências da composição de saída usando RNA; Salvar: habilita na simulação a ação de que as variáveis que estejam previamente selecionadas para serem salvas em histórico tenham seus valores registrados; Matlab: conecta ao Matlab e salva a instância em uma tag interna do supervisório; Inferir: habilita a inferência da saída da composição da coluna; Add Sim: adiciona a propriedade selecionada em "Propriedades Cadastradas"; Rem Sim: remove da simulação a propriedade selecionada; Add Hist: adiciona a propriedade selecionada para ser Salva no histórico; Rem Hist: remover uma propriedade selecionada das variáveis que serão salvas no histórico. 2.5 Inferência de Variável Foi utilizada a técnica de rede neurais Perceptron de Múltiplas Camadas (MLP) que realiza a inferência da composição molar do n-butane da stream de saída. Para o treinamento da rede neural foram gerados pontos, utilizando o sinal PRS (pseudo-random sequence), variando em mais ou menos 20% (Zanata, 2005) o valor dos sepoints de todos os controladores em relação ao seu valor em regime. O tempo de duração de cada valor do sinal PSR ficou entre 5 a 15 unidades de tempo. A planta foi colocada em modo de simulação em tempo real e a taxa de amostragem dos dados foi de 8s. Os dados recuperados foram normalizados de -1 a 1. Como entradas da rede neural tem-se: Vazão Molar do Feed 1 e 2 Temperatura do Feed 1 e 2 Vazão de Refluxo Temperatura do Refluxo Temperatura da coluna nos pratos 1, 12, 13, 14 e 15 A saída desejada da rede neural foi a fração Molar do n-butane. Uma vez que estamos tratando de um problema de uma planta dinâmica, foi selecionada a rede neural perceptron de múltiplas camadas (Haykin, 2007) com dois regressores na saída e dois regressores de entrada, ou seja, um modelo de 2ª ordem. Para a quantidade de neurônios e camadas ocultas foram realizados testes e selecionada a rede com o menor erro. Para função de treinamento foi escolhida Levenberg- Marquardt backpropagation. Como critério de avaliação foi utilizado o MSE e MAE. O primeiro representa o erro médio quadrado. O segundo representa a média dos erros absolutos. 3181

6 Tabela 1: Erros de Treinamento da RNA REDE 41:20:1 41:10:1 41:30:1 41:10:1 0:1 MSE MAE :20:20: Agradecimentos Agradecimentos aos projetos CSIMD/REDIC e a FINEP pelo suporte financeiro e material do projeto. Referências Bibliográficas A rede neural após ser treinada foi armazenada junto aos parâmetros de normalização da entrada e saída. Figura 11: Inferência da fração Molar do n-butane utilizando RNA Como visto na Figura 11 os primeiros instantes da inferência possuem um valor de erro alto, uma vez que os valores iniciais dos regressores são inicializados em zero. Após a rede ser alimentada com os valores reais da planta simulada, a inferência rapidamente consegue inferir de maneira correta o valor da composição. 3 Conclusão O trabalho realizado promoveu o desenvolvimento de duas versões de supervisórios sobre uma coluna de destilação simulada, cujo objetivo foi o de criar uma arquitetura capaz de aglutinar ferramentas já desenvolvidas e bem aceitas na academia e no mercado - como simuladores de colunas de destilação e softwares matemáticos para análise de dados - gerando um ambiente seguro e controlado, o qual possa realizar testes e validar novas estratégias de controle e inferência de variáveis (as quais seriam impraticáveis de ser concebidas em um ambiente real), evitando problemas como a segurança de equipamentos e de vidas humanas. O uso do Automation, para realizar a comunicação entre os diferentes processos, junto ao uso do banco de dados se mostrou uma estratégia atrativa para tornar o sistema mais flexível e escalável. Entretanto, devem ser realizados testes de performance sobre colunas mais complexas com um grande número de variáveis, a fim de verificar o desempenho e robustez da arquitetura. Garcia, C., Modelagem e Simulação. s.l.:edusp. Haykin, S., Redes Neurais - Princípios e Prática. s.l.:bookman. Martins, Daniel Lopes; Ramalho, Leonardo Sávio Guanabara ; Costa, B. Xavier ; Rodrigues, Igor de Oliveira ; Dória Neto, A. D. ; Melo, Jorge Dantas de. Implementação de um Demultiplexador Aplicado ao Ambiente Foundation Fieldbus. In: Congresso Brasileiro de Automática, 2008, Juiz de Fora. XVII Congresso Brasileiro de Automática, v. 01. p Microsoft, s.d. ODBC--Visão geral de Open Database Connectivity. [Online] Disponível em: [Acesso em ] Nakamura, E., s.d. [Online] Disponível em: t/files/comunica%c3%a7%c3%a3o%20entre %20processos.pdf [Acesso em 27 junho 2011]. Rebouças, D. L., Sistema de Inferência Neural e Processamento Estatístico Multivariável Aplicado a Indústria do Petróleo. Natal(RN): Universidade Federal do Rio Grande do Norte. Shannon, R. E., Introduction to the Art and Science of Simulation. s.l.:industrial Engineering, Texas A&M University. Soos, M. & Smejkal, Q., Comparison of computer simulation of reactive distillation using ASPEN PLUS and HYSYS software. Chemical Engineering and Processing, p Viana, D. W. d. S., Sistema SCADA Supervisório. RJ: IFF. Zanata, D. R. (2005). Desenvolvimento de Sensor Virtual Empregando Redes Neurais para Medição da Composição em uma Coluna de Destilação. Dissertação de Mestrado. São Paulo: Escola Politécnica da Universidade de São Paulo. 3182