Académique Documents
Professionnel Documents
Culture Documents
GRANDE DO SUL
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA
QUMICA
ENG07053 - TRABALHO DE DIPLOMAO EM
ENGENHARIA QUMICA
D ete c o e i d e n t i f i c a o d e
fa l h a s e m v l v u l a s d e
c o nt ro l e
ii
Sumrio
Agradecimentos
iv
Resumo
Lista de Figuras
vi
Lista de Tabelas
vii
Lista de Smbolos
viii
ix
1 Introduo
2 Reviso Bibliogrfica
2.1
Malha de controle
2.2
2.3
2.4
2.5
2.5.1
2.5.2
2.5.3
2.6
Backlash
Agarramento
Suprimento de presso
Tcnicas de FDI
2.6.1
2.6.2
3 Materiais e Mtodos
4
5
9
10
10
10
12
3.1
Software utilizado
12
3.2
12
3.2.1
3.2.2
3.2.3
3.2.4
3.2.5
3.2.6
3.3
Estratgia de deteco
3.3.1
3.3.2
3.3.3
3.3.4
3.3.5
3.3.6
3.4
3.4.1
4 Resultados
12
13
14
15
17
18
19
20
21
21
22
22
22
23
23
25
4.1
25
4.2
26
iii
27
4.4
Matriz de confuso
28
4.5
Adio de rudo
29
4.5.1
4.5.2
30
30
32
6 Referncias
33
7 Apndice 1
35
iv
Agradecimentos
Agradeo a todos meus amigos e familiares que de alguma forma colaboraram ao
longo de minha faculdade. Em especial, aos meus pais Carlos e Miriam, pelo apoio
incondicional e conselhos preciosos, ao meu irmo Samuel, pela amizade e parceria em
todos os momentos, e tambm a minha tta Ana Maria, pelo carinho desde os meus
primeiros dias de vida.
Um agradecimento especial ao professor Marcelo Farenzena pela pacincia, por todos
os ensinamentos e principalmente pela amizade demonstrada ao longo da graduao.
Resumo
Uma operao estvel e segura em sistemas industriais cada vez mais complexos um
dos maiores desafios e objetivo de profissionais de engenharia qumica, sendo um dos
mais importantes campos de pesquisa e desenvolvimento da rea. Um elemento crucial
para o xito dessa tarefa est no bom funcionamento do elemento atuador em sistemas
de controle: a vlvula de controle. Sistemas de deteco e identificao de falhas em
vlvulas de controle devem ser capazes de identificar em tempo real quando uma falha
ocorre durante a operao e, mais do que isso, identificar qual falha ocorreu, para que a
devida ao seja executada.
Nesse trabalho proposta uma metodologia capaz de detectar avarias em vlvulas de
controle e, caso o tal teste seja positivo, distinguir qual a causa, sendo minimamente
invasivo. Essa ferramenta construda primeiramente com simulao computacional do
sistema saudvel e dos possveis problemas que podem ocorrer: agarramento, backlash e
problema de suprimento de presso. O segundo passo reconhecer padres de
distrbios de cada falha, encontrar sinais que sejam como impresso digital de cada falha,
e assim criar ndices que diferenciem tais caractersticas. Tendo-se esses ndices, fez-se
ento o treinamento da rede neural.
As redes neurais configuradas desempenharam bem sua funo tanto de detectar
quanto de identificar qual falha ocorreu. O bom desempenho foi demonstrado atravs de
mtricas de coeficiente de regresso e matrizes de confuso em trs situaes distintas:
sistema em malha aberta, malha fechada e malha fechada com rudo. As RNAs se
mostraram capazes de servir de base para monitoramento das vlvulas de controle,
avalizando sua aplicao em processos reais.
vi
Lista de Figuras
Figura 2.1: malha de controle simplificada (adaptado de Aubrun et al., 1995) ................... 2
Figura 2.2: partes de uma vlvula de controle e corte transversal ...................................... 3
Figura 2.3: Comparao de vlvula normal e com backlash e nfase banda morta gerada
pelo backlash. (Adaptado de Aubrun et al., 1995) ................................................................ 5
Figura 2.4: da esquerda para direita, diferentes nveis de agarramento: agarramento com
undershoot, sem offset e overshoot (adaptado de Shoukat Chodhury et al.,2005) ........... 5
Figura 2.5: Algoritmo do modelo de Kano (retirado de Garcia, 2008) ................................. 8
Figura 2.6: Agarramento conforme o modelo de Kano ( retirado de Garcia, 2008) ............ 8
Figura 2.7: Falha de suprimento de presso em diferentes graus (Karpenko, 2002). .......... 9
Figura 3.1: Sistema em operao normal implementado em Simulink (esquerda) e
resposta das variveis do processo para (direita) ............................................................... 13
Figura 3.2: Sistema em operao com backlash implementado em Simulink e resposta das
variveis do processo. ......................................................................................................... 14
Figura 3.3: Sistema em operao com agarramento implementado em Simulink(esquerda)
e resposta das variveis do processo para valores aleatrios da simulao (direita) ........ 15
Figura 3.4: Sistema em operao com vazamento implementado em Simulink e resposta
das variveis do processo para uma simulao. ................................................................. 16
Figura 3.5: Abertura de uma vlvula com vazamento e saturao do atuador. ................ 17
Figura 3.6: Diagrama de blocos da falha de saturao do atuador e resposta das variveis
do processo em uma simulao. ......................................................................................... 17
Figura 3.7: Implementao das simulaes em malha fechada. ........................................ 18
Figura 3.8: Comparao entre as possveis falhas e de vlvula normal.............................. 19
Figura 3.9: Inclinao no topo da simulao para diferentes falhas. ................................. 20
Figura 3.10: Primeiro ndice aplicado nos sinais de agarramento e normal. ...................... 20
Figura 3.11: Inclinao em zero da simulao para diferentes falhas. ............................... 21
Figura 3.12: Tempo morto presente apenas no backlash. ................................................. 22
Figura 3.13: Esquema de funcionamento de uma RNA. ..................................................... 23
Figura 4.1: matriz de confuso para dados em malha aberta. ........................................... 28
Figura 4.2: matriz de confuso para dados de malha fechada. .......................................... 29
Figura 4.3: sinal de sada para diferentes nveis de rudo. .................................................. 30
Figura 4.4: matriz de confuso para a diferentes intensidades de rudo. .......................... 31
vii
Lista de Tabelas
Tabela 3.1: Parmetros alterados na simulao de vlvula normal. .................................13
Tabela 3.2: Parmetros alterados na simulao de vlvula com backlash......................... 14
Tabela 3.3: Parmetros alterados na simulao de vlvula com agarramento. ................. 15
Tabela 3.4: Parmetros na simulao de vlvula com vazamento. .................................... 16
Tabela 3.5: Parmetros alterados na simulao de vlvula com saturao do atuador. ... 17
Tabela 3.6: Parmetros do controlador alterados na simulao de malha fechada. ......... 18
Tabela 3.7: Classes de dados geradas ................................................................................. 19
Tabela 3.8: conjunto de entradas da rede neural. .............................................................. 24
Tabela 3.9: conjunto de sadas da rede neural. .................................................................. 24
Tabela 4.1: regresso de rede para malha aberta com diferente nmero de neurnios. 25
Tabela 4.2: regresso de rede para malha fechada com diferente nmero de neurnios.26
Tabela 4.3: performances dos treinamentos para diferentes variveis de entrada. ......... 26
Tabela 4.4: regresso em malha aberta de todas etapas de treinamento. ........................ 27
Tabela 4.5: regresso em todas etapas para 20 neurnios em malha fechada. ................ 27
Tabela 4.6: regresso para diferentes nveis de rudo. ....................................................... 30
Tabela 7.1: regresso de treinamento para um ndice. ...................................................... 35
Tabela 7.2: regresso de treinamento para dois ndices. ................................................... 35
Tabela 7.3: regresso de treinamento para trs ndices. ................................................... 35
Tabela 7.4: regresso de treinamento para quatro ndices. ............................................... 36
Tabela 7.5: regresso de treinamento para cinco ndices. ................................................. 36
viii
Lista de Smbolos
Cv coeficiente de vazo
dinmica do sistema
up varivel de entrada do processo
xp varivel de meio do processo
yp varivel de sada do processo
ix
Introduo
Com processos cada vez mais complexos e um mercado mais competitivo e acirrado, a
operao adequada das plantas na indstria qumica fundamental, tanto em questo de
segurana quanto econmica. Em termos de segurana, garantir com que a planta opere
em condies seguras sem expor a riscos os operrios. Em economia, tanto para que no
se tenha desperdcios - energia, matria prima, sistema de aquecimento e refrigerao quanto na qualidade do produto, que crucial para ganhar mercado.
Por trs de toda estratgia de controle estabelecida para o processo esto as vlvulas:
elemento atuador na malha de controle. O bom funcionamento dessas fundamental
para garantir qualidade do produto e estabilidade operacional. Quando elas apresentam
avarias, no s comprometem o sistema de controle como tambm suas falhas podem
trazer danos planta e se propagarem no processo, podendo levar a uma situao
perigosa.
Na literatura, h uma srie de trabalhos que permitem diagnosticar isoladamente as
principais avarias das vlvulas: agarramento, backash e falha de suprimento de presso.
Entretanto, no h uma metodologia unificada que permita, a partir da possvel falha,
auditar seu funcionamento e, caso tenha avarias, diagnostic-las sendo minimamente
invasivo.
Esse tipo de metodologia tambm permite monitorar a situao de vrias vlvulas de
uma linha, podendo-se ento adotar medidas de manuteno preventiva e hierarquia no
conserto dessas, de acordo com o grau de importncia de atuao e de avaria da vlvula.
Tambm, possvel adotar uma estratgia de compensao de algumas falhas, o que
exige para isso a identificao correta de qual falha est acontecendo para que se tome a
ao correta.
O escopo do presente trabalho objetiva elaborar uma metodologia capaz identificar
em tempo real. Primeiro, so descritas e modeladas essas falhas em malha aberta, para
assim se coletarem dados e ento criar indicadores dessas falhas. Por fim, feito
treinamento de uma rede neural com base nos dados de sada da simulao e indicadores
criados, para ento testar em trs situaes: sistema em malha aberta, em malha fechada
e em malha fechada com adio de rudo. Alm de detectar quando uma falha ocorre, o
desafio est em isolar qual falha ocorreu.
O presente trabalho de concluso est segmentado como segue: no captulo 2
apresenta-se a reviso bibliogrfica relacionada a pesquisas referentes a deteco e
identificao de falhas. No captulo 3, explicada a metodologia utilizada para se alcanar
o objetivo desse trabalho, descrevendo como foi feita a modelagem de cada um dos
cenrios de simulao e de criao dos ndices. No captulo 4, os resultados so
apresentados e discutidos, para que verificao se a metodologia empregada mostrou-se
eficiente. Por fim, no captulo 5, so feitas concluses sobre a realizao desse trabalho,
bem como sugestes de etapas futuras para melhoria da ferramenta de deteco e
identificao de falhas.
Reviso Bibliogrfica
Malha de controle
ingls, fault detection and isolation), fundamental. Assim como os processos ficam mais
complexos, a capacidade de detectar e identificar a falha operacional em vlvulas de
controle se torna cada vez mais importante. Em cada grau de falha, o custo de produo
e/ou manuteno aumenta (Dustegr et al., 2006; Karpenko e Sepehri, 2002).
A deteco de falhas pode ser o passo preliminar para manuteno. Se pequenas
falhas so detectadas cedo, o componente com defeito pode ser trocado ou reparado
antes que efeitos crticos apaream no sistema. Alm disso, algumas falhas no so
percebidas sem que se tenha um sistema de deteco e identificao de falhas mais
elaborado, visto que o sistema em malha fechada consegue compensar parte de seus
efeitos. Com um sistema de deteco de falhas, no preciso adicionar sensores extras
ou outro equipamento, o que poderia encarecer o processo de deteco
consideravelmente. Os sistemas de deteco permitem detectar falhas em tempo real,
podendo-se tomar uma rpida ao, conforme o caso (Aubrun et al., 1995).
2.3
1 + 1
2
(2.1)
= 2
1998). Uma comparao entre a operao da vlvula saudvel e com backlash, alm do
efeito causado por essa falha, a banda morta, so apresentados na Figura 2.3.
Hagglund(2007) prope um mtodo para deteco de backlash. O procedimento de
deteco baseado em dados de operao normal, no sendo necessrias informaes
adicionais referentes ao processo, apenas os parmetros do controlador. Um algoritmo
para predio da falha proposto, baseado no monitoramento do ganho esttico do
sistema, onde variaes considerveis desse denunciam a falha. O trabalho apresentou
tambm metodologia para compensao desta falha.
Figura 2.3: Comparao de vlvula normal e com backlash e nfase banda morta gerada
pelo backlash. (Adaptado de Aubrun et al., 1995)
2.5.2 Agarramento
O agarramento definido pela ISA (2000) como a resistncia a iniciar movimento,
geralmente medido como a diferena entre os valores exigidos para superar o atrito
esttico e o atrito dinmico. J para a EnTech (1998) a tendncia ao movimento de
agarra-desliza devido ao alto atrito esttico, se comparado com o atrito dinmico. O
fenmeno causa movimento da vlvula com resoluo limitada. Agarra-desliza a
tendncia da vlvula de controle agarrar e, de repente, deslizar de forma abrupta quando
uma fora suficiente para iniciar movimento, podendo superar o ponto de operao
desejado. A Figura 2.4 mostra diferentes nveis de agarramento:
Figura 2.4: da esquerda para direita, diferentes nveis de agarramento: agarramento com
undershoot, sem offset e overshoot (adaptado de Shoukat Chodhury et al.,2005)
Essa a avaria mais incidente na vlvula de controle e o fenmeno que mais causa
distrbios malha, sendo assim muito pesquisado. Na literatura, h trabalhos visando sua
deteco, quantificao, compensao e propostas de modelos para melhor representlo. Entre esses modelos, Olsson (1996) resumiu alguns modelos estticos de frico, no
qual a frico modelada em funo da velocidade v, da seguinte forma:
(), 0
=
, = 0
, = 0 >
(2.2)
Onde Ffrico a fora de frico, Fe a fora externa e Fs a fora esttica. A segunda linha da
equao representa a frico quando a haste est parada, enquanto a terceira linha
representa a fora quando a haste est prestes a se mover, por ter superado as foras
estticas e Coulombianas. O problema desse modelo para o comportamento quando a
velocidade nula, visto que em simulaes a velocidade nunca chega exatamente a ser
zero.
Karnopp (1985) apresenta um modelo para ajudar a resolver o problema de
velocidade nula. Para isso, representa valores numa faixa prxima a zero, criando assim
uma zona morta. Em resumo, a ideia de Karnopp a substituio do termo v=0 por
v<DV, onde DV deve ser estimado por simulao.
Em outra linha, foram criados modelos dinmicos, no qual a fora de agarramento
pode variar enquanto o movimento do atuador est preso. No modelo de sete
parmetros, proposto por Armstrong-Hlouvry et al. (1994) o coeficiente de atrito
esttico aumenta com o tempo que a vlvula fica parada, o que pode ser descrito pelas
seguintes equaes:
0
=
+ ,
+ ,
1+
, = , + (, , )
(2.3)
= ()
= + ( )
(2.4)
= 0 + 1 +
Onde z a deflexo mdia das cerdas (superfcie irregular), v a velocidade relativa entre
as duas superfcies, g(v) uma funo positiva que especifica como a deflexo mdia
depende da velocidade relativa, 0 o coeficiente de rigidez, 1 o coeficiente de
amortecimento, Fc o coeficiente de atrito Coulombiano, Fs o coeficiente de atrito
estacionrio e vs a velocidade de Stribeck.
Um modelo fsico detalhado possui muitos parmetros desconhecidos, sendo
geralmente difcil de estim-los. Alm disso, modelos muito complexos geralmente
possuem integrao numrica mais lenta, afastando seu uso para auditoria. Com isso,
modelos mais simples tm sido propostos para que se faam anlises. No modelo de
Stenman (2003), a ideia bsica imitar o movimento de agarramento, baseado na
equao:
=
1 , ( 1)
,
(2.5)
Onde x(t-1) e x(t) correspondem posio passada e presente da haste, u(t) a sada do
controlador e d corresponde faixa em que ocorre agarramento.
J o modelo de Choudhury (2005) depende de dois parmetros: S representa a banda
morta criada pelo atrito esttico e dinmico da vlvula, e J quantifica o sbito salto
quando o atrito esttico vencido. Como esse modelo no disponvel tanto para sinais
determinsticos quanto para estocsticos, Kano et al. (2004) propem uma extenso do
modelo com os mesmos parmetros S e J. O modelo de Choudhury representado pela
equao 2.6. O algoritmo desse modelo apresentado na Figura 2.5.
= ()
( )
2
(2.6)
Figura 2.7: Falha de suprimento de presso em diferentes graus (Fonte: Karpenko, 2002).
Conceitualmente, a ideia de extrao caracterstica encontrar os parmetros que
do a maior quantidade de informao sobre a condio do sistema. Um grande nmero
de aproximaes foi proposto para resolver o problema de extrao correta dos dados.
Uma delas utilizar medidas discretas do estado do sistema como de uma rede neural
utilizada como classificadora.
Uma aproximao mais elaborada proposta por Le et al.(1998), onde uma
codificao de predio linear utilizada para gerar os parmetros de entrada do
classificador. Outros pesquisadores (Yen e Lin, 2000; Lin e Qu, 2000; Zhang et al., 2000)
demonstram que transformadas wavelets so tambm ferramentas poderosas para
extrao caracterstica. Em todos os casos, contudo, o que se percebe que uma
instrumentao de qualidade e em grande nmero pode ser necessria para que se
obtenham parmetros confiveis e assim a extrao caracterstica seja efetiva.
10
2.6
11
12
Materiais e Mtodos
O objetivo principal desse trabalho criar uma ferramenta para detectar e identificar
as principais falhas que ocorrem em vlvulas de controle: agarramento, backlash, e falha
de suprimento de presso, indito na literatura. Para isso, necessrio o auxlio de um
software para a modelagem das falhas e criao algoritmos de resposta para a deteco e
identificao de cada falha, o qual ser baseado em redes neurais. Assim, necessrio
tambm que este permita o treinamento de uma rede neural artificial (RNA) para criao
da ferramenta.
3.1
Software utilizado
Para a realizao desse trabalho, foi utilizado o programa MATLAB 2009, bem como o
Simulink. O MATLAB (abreviatura de Matrix Laboratory) desenvolvido pela companhia
The MathWorks e se trata de um software de alta performance para resoluo de
problemas ligados a clculo numrico.
3.2
Como toda ferramenta de deteco e identificao de falhas, preciso ter uma base
de dados para que se possa comparar o sistema dinmico operando de forma normal e
das possveis falhas frente a diferentes plantas e controladores, para assim elaborar um
modelo caixa-preta eficiente. A estratgia adotada simular tais condies variando os
parmetros relacionados respectiva avaria, planta e controlador, quando em malha
fechada, coletando o sinal de entrada (up) e de sada (yp) que so as variveis que se tem
acesso em uma planta real. Nenhuma informao sobre o posicionador da vlvula foi
utilizada. Subsequentemente, ndices caractersticos sero propostos para criao de
modelo de falhas.
A seguir mostrado como foi feita a modelagem e simulao de cada condio.
3.2.1 Vlvula com operao normal
A primeira condio de simulao criada de um sistema ntegro, sem perturbaes
causadas por eventuais falhas. Os dados gerados nessa simulao servem como base de
comparao dos sistemas com avarias que sero gerados, alm de servir para o teste de
anlise se a ferramenta de FDI est funcionando corretamente.
Para elaborao dos dados, optou-se por utilizar em todas as simulaes um sinal de
entrada na forma senoidal, da seguinte maneira:
= sen
2
256
0 5000
(3.1)
A escolha por esse formato de entrada se mostrou o mais adequado nesse trabalho,
pois se torna til analisar o comportamento de cada simulao nas condies de vlvula
totalmente aberta (yp=1) e totalmente fechada (yp=-1), conforme ser explicado em cada
falha. Optou-se por tal formato visando minorar o impacto do teste no sistema, sendo
que este distrbio no acarreta alterao da mdia do processo, apenas variao
transiente. Sua magnitude deve ser superior magnitude dos distrbios e rudo. Testes
utilizando apenas dados de operao rotineira foram realizados, mas no apresentaram
bons resultados.
13
Quanto planta, optou-se por um sistema de primeira ordem com ganho unitrio e
constante de tempo varivel, isto :
1
= s+1
(3.2)
Valor Inicial
Passo
Valor Final
0,4
101
14
Para representar o backlash, foi inserido antes da dinmica do sistema o bloco que
representa essa falha. Ela j faz parte da biblioteca do Simulink e o parmetro a ser
alterado nesse bloco o tamanho da banda morta, intitulada na simulao por dbw (dead
band width). Tambm descrito quando essa banda morta surge na simulao, que
justamente quando h inverso no sinal de entrada, a principal caracterstica de
ocorrncia do backlash. Com isso, a entrada do sistema na forma senoidal se mostra ideal
para se acentuar as caractersticas dessa falha. Para gerao dos cenrios com backlash,
os parmetros foram modificados da seguinte maneira:
Tabela 3.2: Parmetros alterados na simulao de vlvula com backlash.
Parmetro
Valor Inicial
Passo
Valor Final
10
10
100
dbw
0,1
0,1
1,1
A dinmica foi alterada de forma diferente ao da vlvula normal com um nico propsito:
manter a quantidade de simulaes de cada cenrio prximas, no caso, de 250
simulaes.
O diagrama de blocos implementado no Simulink ilustrado na Figura 3.2 assim como
o comportamento do sinal de entrada, up, de meio de processo, xp, e de sada, yp, para
uma simulao:
Figura 3.2: Sistema em operao com backlash implementado em Simulink e resposta das
variveis do processo.
3.2.3 Vlvula com agarramento
O processo de modelagem de uma vlvula com agarramento similar ao do backlash:
preciso adicionar um bloco de simulao antes da planta que represente fielmente a
falha. Porm, como no h um bloco disponvel na biblioteca do Simulink que contemple
essa falha, criou-se um bloco de Matlab Function. Como so muitos os modelos
encontrados para a modelagem de agarramento, optou-se por um que fosse mais
simples, para no sobrecarregar a simulao, mas que fosse capaz de representar o
agarramento em qualquer situao. Assim, analisando-se o trabalho feito por Garcia
(2008), optou-se pelo modelo de Kano(2004).
15
Valor Inicial
Passo
Valor Final
10
10
100
0,1
0,2
0,9
0,1
0,2
0,9
Com os passos dessa forma, mais uma vez se mantm a quantidade de simulaes
prxima a dos outros cenrios. O diagrama de blocos e grfico de uma simulao
mostrado na Figura 3.3:
,
, >
(3.3)
Onde u se refere varivel de entrada na vlvula, tida como a presso fornecida para
abertura e fechamento dela. Entre os outros parmetros para a simulao dessa falha
16
est PLim, que a presso limite a partir da qual ocorre vazamento. Analisando-se essa
varivel, pode-se perceber que quanto mais crtica a situao da vlvula, menor ser o
valor do parmetro. J a constante kvaz um parmetro anlogo ao Cv de uma vlvula:
quanto maior seu valor, maior o vazamento, tornando assim a falha mais evidente. Os
parmetros utilizados para descrio dos cenrios de falha de suprimento de ar esto
listados na Tabela 3.4.
Tabela 3.4: Parmetros na simulao de vlvula com vazamento.
Parmetro
Valor Inicial
Passo
Valor Final
10
10
100
kvaz
0,1
0,2
0,9
Plim
0,1
0,2
0,9
O formato de entrada senoidal mais uma vez se justifica para esse tipo de falha, que
ocorre quando se atinge o pico de operao, ou seja, abertura total da vlvula. O
diagrama de blocos implementado em Simulink, bem como o escopo de uma simulao
apresentado na Figura 3.4:
17
Valor Inicial
Passo
Valor Final
10
2,5
100
Psat
0,1
0,1
0,9
Verifica-se que quanto menor o valor de Psat, pior a condio da vlvula, que
consegue atuar em uma faixa de operao cada vez menor. A implementao em
Simulink, bem como o grfico da simulao so apresentados na Figura 3.6:
Figura 3.6: Diagrama de blocos da falha de saturao do atuador e resposta das variveis
do processo em uma simulao.
3.2.5 Malha fechada
Foram gerados tambm dados para a simulao de todas as condies em malha
fechada. Essas simulaes no foram tomadas como base para a gerao dos ndices para
deteco, visto que em malha fechada as diferenas entre falhas so menores. Elas
serviram para testar a qualidade da ferramenta de FDI em uma condio de malha
fechada, para assim inferir se os ndices escolhidos servem para as duas condies de
operao.
18
Valor Inicial
Passo
Valor Final
conforme
conforme
conforme
kc
Vale ressaltar que o bloco PID escrito no Simulink de maneira diferente ao padro
paralelo dos controladores, da seguinte forma:
+ + .
(3.4)
Com isso, P foi ajustado com o valor de kc e I pela razo i , para assim ficar-se com a
forma convencional de se representar um controlador PID paralelo. Assim, as simulaes
em Simulink ficaram com o seguinte layout:
19
3.3
Classe
Caracterstica
Malha aberta
Malha fechada
Estratgia de deteco
20
1 =
(3.5)
21
2 =
(3.6)
3 = 5
1
(3.7)
Onde NP5 o nmero de pontos na ltima faixa em que foi dividida a simulao, no caso
se referindo ao nmero de pontos prximo ao topo, e NP1 o nmero de pontos primeira
faixa, referindo-se ento aos pontos prximos de zero. Como j h uma razo nesse
22
(3.8)
90+1 90
90+1 90
(3.9)
23
(3.10)
Onde, tm o tempo morto, ypi o valor de sada analisado no momento i e ypi-1 o valor de
sada anterior. Assim, para uma tolerncia de 1.10-9, calcula-se o tempo morto presente
em cada simulao.
3.4
24
I2
Entradas
I3
I4
I5
I6
1
Agarramento
2
Backlash
3
Supr. Presso
25
Resultados
Regresso (R)*
10
0,921
15
0,937
20
0,943
25
30
0,934
0,904
* Melhor regresso em 10 treinamentos sucessivos
26
Tabela 4.2: regresso de rede para malha fechada com diferente nmero de neurnios.
Desempenho da RNA
Nmero de neurnios
Regresso (R)*
10
0,943
15
0,937
20
0,952
25
0,938
30
0,934
*Melhor regresso em 10 treinamentos sucessivos
R Treinamento
0,713
13
0,853
126
0,914
1356
0,933
13456
0,937
123456
0,943
27
Alm da regresso do treinamento, pode-se avaliar esse fator nas etapas de validao
e teste. Na validao, 15% dos dados de entrada so selecionados randomicamente e
utilizados para medir a capacidade de generalizao da rede e interromper o processo
iterativo quando o desempenho da rede se tornar adequado ou constante.
J na etapa de teste, os 15% restantes de dados de entrada so utilizados para medir
o desempenho da rede durante e aps a etapa de treinamento. Sob ponto de vista
prtico, estes dados podem ser vistos como a simulao do funcionamento real da rede.
Para todas as etapas envolvidas, foram obtidos os seguintes resultados de regresso para
malha aberta (veja Tabela 4.4):
Tabela 4.4: regresso em malha aberta de todas etapas de treinamento.
Desempenho da RNA com 20 neurnios
Etapa
Regresso (R)
Treinamento
0,943
Validao
0,888
Teste
0,891
Esses resultados mostram desempenho satisfatrio da rede neural treinada, visto que
em todas as etapas os resultados foram similares, com desempenho sempre prximo a
0,90. Isso significa que a rede conseguiu aproximar as diversas sadas de forma
satisfatria, determinando de forma correta qual falha ocorreu na maioria das vezes.
Para o segundo caso de anlise, do sistema em malha fechada, obtiveram-se os
seguintes resultados de regresso das etapas de treinamento (veja Tabela 4.5):
Tabela 4.5: regresso em todas etapas para 20 neurnios em malha fechada.
Desempenho da RNA com 20 neurnios
Etapa
Regresso (R)
Treinamento
0,952
Validao
0,919
Teste
0,916
28
Matriz de confuso
29
Adio de rudo
30
Razo
Sinal/Rudo
R Teste
0
0,05
0,1
0,15
0,2
Inf.
2,256
1,128
0,752
0,564
0,926
0,912
0,904
0,906
0,876
31
32
33
Referncias
34
[21] Kano, M., Maruta, H., Kugemoto, H., and Shimizu, K., 2004, Practical model and
detection algorithm for valve stiction, Proceedings of the 7th IFAC DYCOPS (CD-ROM),
Boston, USA.
[22] Karnopp, D., 1985, Computer simulation of stick-slip friction in mechanical
dynamic systems. Transactions of the ASME- Journal of Dynamic Systems, Measurement
and Control, 107(1), 100-103. California, USA.
[23] Karpenko, M., and Sepehri, N., 2002, Neural network classifiers applied to
condition of a pneumatic process valve actuator, Engineering Applications of Artificial
Intelligence 15 (2002) 273-283, Winnipeg, Canada.
[24] Le, T. T., Watton, J., and Pham, D. T., 1998, Fault classification of fluid power
systems using dynamics feature extraction technique and neural networks, Journal of
Systems and Control Engineering 212(2), 87-97.
[25] Leonhardt, S., and Ayoubi, M., 1997, Methods of fault diagnosis, Control
Engineering Practice 5(5), 683-692.
[26] Lin, J., and Qu, L., 2000, Feature extraction based on morlet wavelet and its
application for mechanical fault diagnosis, Journal of Sound and Vibration 234(1), 135148.
[27] Ling, B., Zeifman, M., and Liu, M., 2007, A Practical System for Online Diagnosis of
Control Valve Faults, 46th IEEE Conference on Decision and Control (New Orleans, USA,
2007), Walpole, USA.
[28] McGhee, J., Henderson, I. A., and Baird, A., 1997, Neural networks applied for the
identification and fault diagnosis of process valves and actuators, Journal of the
International Measurement Confederation 20(4), 267-275.
[29] Olsson, H., 1996, Control systems with friction. Ph.D thesis. Departament of
Automatic Control, Lund Institute of Technology, Sweden.
[30] Olsson, H., strm, K. J., Canudas de Wit, C., Gfvert, M., and Lischinsky, P., 1998,
Friction models and friction compensation. European Journal of Control 3(4), 176-195.
Lund, Sweden.
[31] Pereira, G. G. M., Gomes, R. A. S., Carmo, M. J., and Oliveira, A. R., 2011, Por que a
auditoria em malhas de controle seria mais importante no ensino da graduao do que o
controle avanado?, XXXIX Congresso Brasileiro de Educao em Engenharia (Blumenau,
SC, 2011), Leopoldina (MG), Brasil.
[32] Ribeiro, M. A., Vlvulas de Controle e Segurana, 1999, 5 edio.
[33] Shoukat Choudhury, M. A. A., Thornhill, N. F., and Shah, S. L., 2005, Modelling
valve stiction, Control Engineering Practice 13 (2005) 641-658, London, UK.
[34] Stenman, A., Gustafsson, F., and Forsman, K., 2003, A segmentation based method
for detection of stiction in control valves. International Journal of Adpative Control and
Signal Processing, 17(7-9), 625-634.
[35] Wang, G., and Wang, J., 2009, Quantification of Valve Stiction for Control Loop
Performance Assessment, Beijing, China.
[36] WUT
Team,
2001,
Damadics
benchmark
definition,
http://diag.mchtr.pw.edu.pl/damadics/.
[37] Yen, G. G., and Lin, K., 2000, Wavelet packet feature extraction for vibration
monitoring, IEEE Transactions on Industrial Electronics 47(3), 650-667.
[38] Zhang, J., Ma, J., and Yan, Y., 2000. Assessing blockage of the sensing line in a
differential-pressure flow sensor by using the wavelet transform of its output,
Measurement Science and Technology 11(3), 178-184.
35
Apndice 1
Consta nesse apndice a anlise feita com todas as combinaes possveis dos
indicadores para treinamento da rede neural.
Anlise com 1 ndice:
Tabela 7.1: regresso de treinamento para um ndice.
ndice utilizado
1
2
3
4
5
6
R Treinamento
0,713
0,704
0,683
0,675
0,471
0,121
R Treinamento
0,853
0,852
0,828
0,825
0,799
0,783
0,771
0,759
ndice utilizado
45
26
36
46
25
35
56
R Treinamento
0,737
0,731
0,715
0,703
0,693
0,688
0,514
36
R Treinamento
ndices utilizados
R Treinamento
1356
1236
1246
1346
1256
1456
1235
0,933
0,932
0,924
0,919
0,901
0,889
0,889
1345
1234
2356
3456
2345
2346
2456
0,881
0,88
0,861
0,827
0,825
0,82
0,803
1245
0,882
R Treinamento
13456
12356
12346
12456
12345
23456
0,937
0,935
0,931
0,914
0,896
0,852