Técnicas de Deep Learning Aplicadas ao Desenvolvimento de Soft Sensors
Soft sensor, deep learning, aprendizado semi-supervisionado, Identificação de Sistemas
Normalmente, os processos industriais são caracterizados por variáveis fortemente correlacionadas e não-linearidade acentuada. Há incontáveis processos nos quais não é possível medir com exatidão variáveis de processo ou variáveis de qualidade do processo. Quando limitações técnicas, custo elevado e indisponibilidade de equipamentos especialista impedem a medição das variáveis mais importantes em tempo real ou hábil pra executar alguma ação, os sensores virtuais - soft sensors - apresentam uma forma atraente de se lidar com o problema. Implementar um sistema que consiga inferir variáveis primárias de interesse utilizando variáveis secundárias de forma precisa não é simples. Além da complexidade associada a implementação do sistema por si só, os dados rotulados utilizados nesse tipo de implementação quase sempre não estão disponíveis, sendo a grande massa de dados disponíveis não rotulados. Neste trabalho é proposto o estudo e desenvolvimento de soft sensors baseados em técnicas de deep learning. O objetivo é propor uma técnica de aprendizado semi-supervisionado para construção de sensores virtuais em aplicações industriais utilizando dados rotulados e não rotulados. A princípio, a etapa não supervisionado utiliza os dados não rotulados para extração das principais características e ajuste inicial dos pesos do modelo. Para isso, as técnicas em estudo são os autoencoders e as máquinas de Boltzmann. Por sua vez, na etapa supervisionada, o treinamento do modelo é iniciado com os pesos gerados na fase não supervisionada. As técnicas de treinamento supervisionadas eleitas para a construção desse trabalho são as redes neurais recorrentes e as redes profundas. Espera-se obter modelos capazes de representar toda a faixa de operação do sistema identificado e com ótima generalização. Com soft sensors que representem bem a dinâmica de processos industriais complexos, pode-se melhorar a qualidade do processo, do produto e, consequentemente, a lucratividade. Para o desenvolvimento deste trabalho, utiliza-se um benchmark de controles de processos químicos, chamado Taneessee Eastman.