00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) CTEC - CENTRO DE TECNOLOGIA TRABALHOS DE CONCLUSÃO DE CURSO (TCC) - GRADUAÇÃO - CTEC Trabalhos de Conclusão de Curso (TCC) - Bacharelado - ENGENHARIA QUÍMICA - CTEC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/riufal/7518
Tipo: Trabalho de Conclusão de Curso
Título: Machine Learning no controle preditivo de processos
Título(s) alternativo(s): Machine learning in predictive process control
Autor(es): Silva, Geovane Domingos da
Primeiro Orientador: Carvalho, Frede de Oliveira
metadata.dc.contributor.referee1: Araújo, Hugo Valença de
metadata.dc.contributor.referee2: Brandão , Rodolfo Junqueira
Resumo: A popularização do conceito de Indústria 4.0, provocado pelo avanço tecnológico e ampliação do uso de técnicas de Inteligência Artificial, buscando processos cada vez mais eficientes, fez com que o controle de processos evoluísse mais rapidamente na última década. Isso se deu com a implementação de técnicas de controle avançado, como é o caso do controle preditivo com modelo (MPC). Desenvolvido nos anos 80 para o controle de usinas de energia e refinarias de petróleo, o MPC pode agora ser encontrado na indústria química e de alimentos. Esse tipo de estratégia de controle tem como vantagens o fato de poder ser aplicado em sistemas não lineares, que apresentam abordagem mais complicada no controle clássico, e lidar com a presença de restrições operacionais. O MPC necessita de uma implementação computacionalmente mais complexa que as técnicas de controle clássico. Nesse contexto, a linguagem de programação Python tem se mostrado promissora em várias aplicações na ciência e indústria, fato que se deve principalmente à sua ampla gama de bibliotecas, que são livres e gratuitas, fazendo com que se torne uma ótima alternativa a softwares pagos como o MATLAB®. Com o aumento da automação de processos, graças ao barateamento de equipamentos de monitoramento, tem-se uma maior disponibilidade de dados. Este fato possibilita a abordagem do problema com o uso de modelos internos no controlador MPC baseados em Machine Learning. As técnicas de Machine Learning, um dos pilares da Indústria 4.0, estudam a construção de algoritmos computacionais que possibilitem o desenvolvimento de modelos a partir da análise de dados fornecidos e, com isso, a generalização da informação aprendida na forma de previsões. Na indústria química, um dos tipos mais comuns de equipamentos é o reator de tanque de mistura (CSTR). Em razão disso, este trabalho abordou a construção de estratégias para a utilização de Machine Learning no MPC aplicado no caso de um CSTR com sistema reativo não linear da reação catalítica de hidrogenação do etileno, avaliando também a aplicabilidade do Python e suas respectivas bibliotecas específicas para controle e Machine Learning, disponibilizadas gratuitamente.
Abstract: The popularization of the concept of Industry 4.0, caused by technological advances and the expansion of the use of Artificial Intelligence techniques, seeking increasingly efficient processes, has made process control evolve more rapidly in the last decade. This happened with the implementation of advanced control techniques, as is the case of model predictive control (MPC). Developed in the 1980s to control power plants and oil refineries, MPC can now be found in the chemical and food industries. This type of control strategy has the advantage of being able to be applied in nonlinear systems, which have a more complicated approach in classical control, and to deal with the presence of operational restrictions. The MPC requires a computationally more complex implementation than the classic control techniques. In this context, the Python programming language has shown promise in several applications in science and industry, a fact that is mainly due to its wide range of libraries, which are free and free, making it a great alternative to paid software such as MATLAB®. With the increase in process automation, thanks to cheaper monitoring equipment, there is greater availability of data. This fact makes it possible to approach the problem with the use of internal models in the MPC controller based on Machine Learning. Machine Learning techniques, one of the pillars of Industry 4.0, study the construction of computational algorithms that enable the development of models based on the analysis of the data provided and, with this, the generalization of the information learned in the form of predictions. In the chemical industry, one of the most common types of equipment is the Continous Stirred Tank Reactor (CSTR). For this reason, this work addressed the construction of strategies for the use of Machine Learning in the MPC applied in the case of a CSTR with a nonlinear reactive system of the catalytic reaction of ethylene hydrogenation, also evaluating the applicability of Python and its respective specific libraries for control and Machine Learning, available for free.
Palavras-chave: Controle de processos químicos
Controle preditivo
Aprendizado do computador
Python (Linguagem de programação de computador)
Process Control
MPC
Machine Learning
Python
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.department: Curso de Engenharia Química
Citação: SILVA, Geovane Domingos da. Machine learning no controle preditivo de processos. 2020. 48 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Química) - Centro de Tecnologia, Universidade Federal de Alagoas, Maceió, 2021.
Tipo de Acesso: Acesso Aberto
URI: http://www.repositorio.ufal.br/handle/riufal/7518
Data do documento: 21-dez-2020
Aparece nas coleções:Trabalhos de Conclusão de Curso (TCC) - Bacharelado - ENGENHARIA QUÍMICA - CTEC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Machine learning no controle preditivo de processos.pdf2.27 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.