Este trabalho apresenta um projeto e implementação de um sensor virtual (soft sensor) "embedded", ou seja, um módulo de hardware genérico e autônomo, o qual pode ser utilizado em diversos processos complexos, nos quais uma determinada variável de interesse não possa ser diretamente medida por sensores convencionais. O hardware é baseado em um processador digital de sinais da família TMS320, com a adição de circuitos de instrumentação, como interface de entrada e saída em padrões industriais (0..10V, 4..20mA), conversores A/D e D/A, entre outros. A implementação do sensor virtual em hardware foi constituída basicamente de três etapas. A primeira consistiu no treinamento do modelo, realizado off-line, utilizando um microcomputador PC e o software Matlab. Neste trabalho, o modelo nebuloso obtido possui uma estrutura do tipo Takagi-Sugeno e os antecedentes são definidos com base no algoritmo de clusterização FCM. Em uma segunda etapa, o modelo de sensor obtido foi validado no PC, comparando-se sua saída com a do sensor "real". Finalmente, a terceira etapa consistiu em traduzir e implementar o modelo no formato do processador digital de sinais. O firmware contém então o modelo obtido e opera on-line, estimando a variável desejada a partir de outra(s) variável(eis) disponível(eis). Os testes foram realizados empregando-se uma planta simulada de neutralização de pH.

This work presents a design and implementation of an embedded soft sensor, i. e., a generic and autonomous hardware module, which can be used in many complex plants, wherein a certain variable can not be measured directly by convencional sensors. The hardware is based on a digital signal processor of TMS320 family, with the addition of instrumentation circuits, like industrial standard i/o interface (0..10V, 4..20mA), A/D and D/A converters, among other ones. The implementation of the embedded soft sensor basically consisted of three steps. The first one was the model training, done off-line, using a PC microcomputer and Matlab software. In this work, the obtained fuzzy model has a Takagi-Sugeno structure and the antecedents are defined based on the FCM clustering algorithm. In a second step, the obtained sensor model was validated in PC environment, comparing its output with the "real" sensor output. Finally, the third step consisted of translating and implementing the model to the digital signal processor format. The firmware so contains the obtained model and runs on-line, estimating the target variable from other available ones. The tests have been performed using a simulated pH neutralization plant.