De milhões de dados a regras simples

Regressão simbólica com inteligência artificial

Um processo inovador de Inteligência Artificial ajuda a melhorar nossa compreensão de conexões complexas e a descrevê-las usando equações simples. Estes ajudarão os operadores de máquinas e sistemas a tornarem-se mais eficientes.

Os motoristas sabem que planejar com antecedência pode significar uma grande economia de combustível. Apenas algumas regras simples - como acelerar lentamente, abrandar antes de fazer uma curva, fazer uso da força descendente e da travagem do motor - podem ajudar, significando muito menos viagens para o posto de abastecimento.

"O mesmo se aplica a quase todas as máquinas e sistemas, incluindo aqueles com sistemas de controle automatizados: eles funcionam de forma muito mais eficiente quando você planeja com antecedência e os opera corretamente", explica Dirk Hartmann da Technology, a unidade central de pesquisa da Siemens. "Investir nesta área compensa. Na maioria dos casos, você obtém mais da otimização da forma como você usa um sistema do que da melhoria do próprio sistema, já que as opções de otimização dos componentes de hardware já foram muitas vezes esgotadas. É claro que é possível desenvolver sistemas de controle ideais, por exemplo usando o Modelo de Controle Preditivo (MPC). Mas os algoritmos são tão intensivos em CPU que é quase impossível executá-los em PLCs padrão, básicos ou controladores lógicos programáveis. Portanto, se ainda queremos melhorar esses controladores, precisamos de procedimentos menos complexos, um controlador baseado em regras, por exemplo"

Encontrar boas regras - nos limites da complexidade das TI

"Controlar com regras" significa estabelecer regras claramente definidas para a forma como um controlador deve responder a uma condição específica. Em princípio, os controladores devem operar da mesma forma que o condutor que planeja no exemplo que mencionámos no início.

"Máquinas e sistemas controlados com boas regras são muito eficientes, de fato", diz Hartmann. "Mas primeiro temos de encontrar estas boas regras para uma dada máquina ou sistema. Anteriormente, isto tinha de ser feito manualmente, por exemplo, através da análise de controladores MPC por especialistas, o que é, naturalmente, uma tarefa muito complicada. Avançamos agora mais um passo e desenvolvemos um procedimento para identificar estas regras automaticamente. Em termos um pouco mais técnicos, olhando para nossos objetivos, como a economia de energia, e os dados operacionais que um sistema fornece - em outras palavras, os parâmetros relevantes como temperatura, tempo, velocidade, consumo de energia - podemos derivar funções que determinam quais ações devem ser realizadas em resposta a uma condição específica do sistema"

Os matemáticos chamam este método de encontrar funções baseadas em dados de "regressão simbólica", enquanto os programadores consideram-no "um enorme desafio". Em geral, a regressão simbólica baseada em qualquer dado dado é o que se conhece como um "problema NP-duro", um problema tão intensivo em CPU que mesmo os sistemas mais poderosos não conseguem encontrar soluções num período de tempo aceitável. Os problemas NP-duros só podem ser resolvidos quando é possível simplificar o problema original de forma adequada, reduzindo assim a sua complexidade computacional.  

 

AI Feynman

"Conseguimos encontrar esse tipo de simplificação para os nossos propósitos", explica Hartmann. "O impulso crítico veio dos últimos resultados da pesquisa de Max Tegmark."

O cientista Max Tegmark notou que as conexões matemáticas entre parâmetros físicos mutuamente dependentes eram tipicamente, e muitas vezes, muito simples. Em seu trabalho, ele descreve simetrias ou polinômios de baixa ordem como características típicas. Seu algoritmo de Inteligência Artificial sobre regressão simbólica, "AI Feynman", faz uso desta característica ao procurar deliberadamente por estas características típicas. Isso foi muito bem sucedido, e ele foi capaz de aplicar seu procedimento aos dados, a fim de derivar todas as fórmulas apresentadas no popular texto padrão de física "The Feynman Lectures on Physics", de Richard Feynman.

"Os dados das condições das máquinas e sistemas que queremos controlar também descrevem parâmetros físicos que interagem uns com os outros", explica Hartmann. "Conseguimos, portanto, construir sobre os processos de regressão simbólica para desenvolver a abordagem que estamos agora a pôr à prova em projectos-piloto"

Controle ótimo

Um exemplo é uma situação que envolve as Indústrias Digitais, que mais uma vez se ocupa da condução e procura de regras para o funcionamento óptimo de um veículo com auto-condução. "No modelo, simulamos um automóvel (ego), que conduz numa estrada de duas faixas", diz Theo Papadopoulos. "O automóvel não deve dirigir muito perto de outros veículos em nenhum momento, ou deixar a estrada. Ao mesmo tempo, deve manter uma velocidade tão constante quanto possível, sem acelerações ou travagens pesadas, ou seja. Tudo o que sabemos a qualquer momento é a velocidade do carro neste momento, a que distância está de outros carros e onde está a berma da estrada. O nosso procedimento funcionou melhor com este exemplo. Os impulsos de controle baseados em regras entregavam impulsos de controle quase idênticos aos do controlador MPC, que são ideais, mas com uso intensivo de CPU. Estamos confiantes de que estes resultados podem ser transferidos para outros cenários comparavelmente simples.

Regras para a microrrede

Em um segundo projeto piloto, o procedimento baseado em regras foi aplicado ao controle da microrrede. As microrrede normalmente envolvem a necessidade de coordenar vários geradores de electricidade e meios de armazenamento, tais como PV, vento, baterias, geradores a diesel, células de combustível, electrólise, e assim por diante. "Há sempre a questão de qual é a melhor mistura de geradores em qualquer momento", diz Ulrich Münz, da Technology em Princeton.

"O nosso edifício de escritórios em Princeton é um bom exemplo deste tipo de microrrede: está equipado com um sistema fotovoltaico, dispositivos de armazenamento de baterias e estações de carga para veículos eléctricos e, ao mesmo tempo, continua a ser fornecido pela rede pública. Nosso objetivo é controlar os componentes para minimizar a quantidade de energia que extraímos, ao mesmo tempo em que reduzimos nosso pico de consumo. Uma elevada proporção da nossa factura energética em Princeton é baseada no pico de consumo durante os doze meses anteriores - por outras palavras, para um único pico de carga elevado tem de se pagar durante um ano inteiro"

 

Então, como deve um controlador funcionar de modo a manter as cargas de pico a um mínimo? É um problema complexo, já que o ideal depende de parâmetros incertos, ou seja, o volume de eletricidade que o sistema fotovoltaico irá alimentar durante as próximas horas, e quão alta será a demanda de eletricidade durante o mesmo período. Como alguns valores só podem ser estimados, é necessário muito esforço para conseguir um controle perfeito para a planta usando métodos tradicionais como o controle preditivo por modelo. É por isso que os pesquisadores de Princeton estão usando o novo método para tentar encontrar regras que levem em conta a estimativa de alimentação PV, a carga estimada, as incertezas que elas envolvem e o estado de carga da bateria. Aqui, também, os primeiros ensaios já deram muito bons resultados. "No próximo passo, pretendemos melhorar e validar ainda mais o processo usando dados da microrrede em Princeton. Se isso tiver sucesso, queremos aplicar estas regras à nossa microrrede, implementando-as no Controlador de Microrrede Siemens".

Aenne Barnard, Outubro de 2020

Inscreva-se na nossa Newsletter

Fique sempre atualizado: tudo o que você precisa saber sobre eletrificação, automação e digitalização.