Detecção e identificação de falhas em válvulas de controle

UNIVERSIDADE FEDERAL DO RIO
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
Autor: Micael Attolini

Orientador: Prof. Dr. Marcelo Farenzena
Porto Alegre, dezembro de 14
ii
Deteco e identificao de falhas em vlvulas de controle
Sumrio
Agradecimentos
iv
Resumo
Lista de Figuras
vi
Lista de Tabelas
vii
Lista de Smbolos
viii
Lista de Abreviaturas e Siglas
ix
1 Introduo
2 Reviso Bibliogrfica
2.1
Malha de controle
2.2
Importncia do aperfeioamento da malha de controle
2.3
Componentes de uma vlvula de controle
2.4
Auditoria de malhas de controle
2.5
Falhas comumente encontradas em vlvulas de controle
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
Deteco baseada em modelo

Monitoramento de variveis
3 Materiais e Mtodos
4
5
9
10
10
10
12
3.1
Software utilizado
12
3.2
Modelagem das falhas
12
3.2.1
3.2.2
3.2.3
3.2.4
3.2.5
3.2.6
3.3
Vlvula com operao normal

Backlash
Vlvula com agarramento
Vlvula com problema de suprimento de presso
Malha fechada
Adio de rudo
Estratgia de deteco
3.3.1
3.3.2
3.3.3
3.3.4
3.3.5
3.3.6
3.4
ndice 1: Inclinao no topo e vale

ndice 2: Inclinao na origem
ndice 3: Inclinao intermediria
ndice 4: Assimetria de curva diferena
ndice 5: Assimetria de curva razo
ndice 6: Atraso Inicial
Redes neurais Artificiais
3.4.1
Treinamento da rede neural
4 Resultados
12
13
14
15
17
18
19
20
21
21
22
22
22
23
23
25
4.1
Regresso da rede no treinamento
25
4.2
Anlise dos ndices
26
iii
DEQUI / UFRGS Micael Attolini

4.3
Regresso de validao e de teste
27
4.4
Matriz de confuso
28
4.5
Adio de rudo
29
4.5.1
4.5.2
Regresso da rede com rudo

Matriz de confuso com rudo
30
30
5 Concluses e Trabalhos Futuros
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
Lista de Abreviaturas e Siglas

FDI fault detection and isolation
NNTool Neural Network Toolbox
RNA rede neural artificial
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
Neste captulo, apresentada uma reviso bibliogrfica sobre os benefcios da

deteco de falhas em vlvulas de controle, principais problemas encontrados e mtodos
utilizados para atingir o objetivo de detectar e identificar falhas.
2.1
Malha de controle
Um sistema de controle composto essencialmente por trs elementos: o sensor,

responsvel pela medio da varivel de interesse, o controlador, que recebe esse sinal e
envia a ao necessria para o atuador aplicar efetivamente no processo. Em resumo, um
sistema de controle uma srie de componentes interconectados que interagem entre si
para atingir os objetivos do sistema. O comportamento de cada componente pode ser
descrito por uma srie de equaes definindo a trajetria das variveis do processo. Um
esquema simplificado apresentado na Figura 2.1. (Dustegr et al., 2006; Aubrun et al.,
1995)
A malha de controle, responsvel por manter as variveis de operao dentro do
patamar desejado, funciona da seguinte forma: a varivel controlada medida, direta ou
indiretamente, atravs de um indicador, que passa o sinal para o instrumento que
registra a medio, o registrador. O sinal vai ento para o transmissor, que determina o
valor de uma varivel de processo atravs de um elemento primrio, dando o sinal de
sada de forma eletrnica ou digital. Aps, passa pelo transdutor, elemento que recebe as
informaes na forma de quantidade fsica (presso e temperatura, por exemplo),
converte e fornece um sinal de sada resultante, que repassado ao controlador. Nele, a
varivel controlada comparada com um valor desejado (setpoint) e fornece uma ordem
de ao. O sinal enviado ao elemento de atuao, que modifica diretamente o valor da
varivel manipulada no processo. Esse elemento de atuao a vlvula de controle.
(Instrumentao Bsica, Instituto Brasileiro de Petrleo; Apostila ABRAMAN, 2004).
Figura 2.1: malha de controle simplificada (adaptado de Aubrun et al., 1995)

2.2
Importncia do aperfeioamento da malha de controle
Uma tpica planta da indstria qumica contm uma quantidade considervel de

malhas de controle. O desempenho do controle de suma importncia para garantir a
qualidade do produto e diminuir os custos de produo. Mesmo uma ao que implique
na melhoria de 1% da eficincia energtica ou na melhora da manuteno do controle,
pode representar centenas de milhares de dlares economizados no processo industrial
(Shoukat Choudhury et al., 2005; Desborough e Miller, 2002)
Visando entender crescente necessidade por sistemas dinmicos mais seguros e
confiveis, a deteco preliminar usando deteco e identificao de falhas, FDI (do
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
Componentes de uma vlvula de controle
A vlvula de controle a componente chave em qualquer sistema de controle. O mau

funcionamento delas pode prejudicar o desempenho e levar a parada no programada da
planta, resultando em perdas econmicas desnecessrias. Ela pode ser divida em trs
regies distintas, como mostrado na Figura 2.2. O corpo o que liga a vlvula tubulao
e contm o orifcio varivel para passagem do fluido. O castelo a parte que liga o corpo
ao atuador, d sustento haste da vlvula e completa o fechamento do corpo. Por fim, h
o atuador, que o componente que recebe o sinal de controle e converte em abertura
modulada da vlvula. A atuao pode ser manual ou automtica, tendo fonte de potncia
hidrulica, eltrica ou pneumtica, conforme o caso e necessidade (Ribeiro, 1999; Ling et
al., 2007).
Figura 2.2: partes de uma vlvula de controle e corte transversal

(Fonte: Ribeiro, 1994, e Karpenko e Sepehri, 2002)
2.4
Auditoria de malhas de controle
Auditoria de malhas de controle trata da avaliao do desempenho das malhas de um

processo visando mant-las em um nvel timo. Os benefcios econmicos resultantes de
uma auditoria so difceis de quantificar em uma base malha-por-malha, porque cada
problema contribui de maneira complexa no desempenho do processo como um todo, ou
seja, difcil separar os problemas de desempenho da planta por malha. (Shoukat

Choudhury et al., 2005)
O primeiro passo para melhoria de desempenho da malha est em auditar. Para isso,
inmeras ferramentas podem ser utilizadas para gerar ndices de desempenho, desde
uma simples anlise estatstica a modelos complexos de anlise de desempenho, tais
como varincia mnima (Coelho et al.,2006). Com esses ndices, possvel fazer o
diagnstico do que est prejudicando o desempenho, como frico da vlvula, vlvula
superdimensionada, controlador mal ajustado e oscilaes vindas de outras malhas,
sendo que nesta fundamental encontrar a causa raiz do distrbio(Garcia, 2008). Aps,
devem-se desenvolver aes para alcanar o desempenho desejado, encontrando formas
de compensao ou correo do que est causando o desempenho insatisfatrio. As
ferramentas de auditoria para malhas devem possuir caractersticas que permitam
maximizar a utilizao de dados do processo e reduzir o tempo de atividade para
auditoria (Pereira et al., 2011).
Aproximadamente 30% das malhas de controle so oscilatrias principalmente devido
a no linearidades da vlvula de controle, causadas por histerese, saturao da vlvula,
entre outros fenmenos. A identificao de falhas que ocorrem nas vlvulas
fundamental para melhoria do desempenho da malha de controle. Mais do que
identificar, quantificar a gravidade da falha permite que se faa a compensao correta
no sistema (Bialkowski, 1993; Wang, G. e Wang, J., 2009).
2.5
Falhas comumente encontradas em vlvulas de controle
Em geral, FDI designado a esquemas de diagnstico de falhas operacionais de um

sistema dinmico monitorando alguns aspectos do desempenho do sistema ou variveis
da operao, como temperatura crtica e presso. Quando fica evidente que uma falha
ocorreu (deteco), preciso tomar a deciso sobre qual a causa dessa falha
(identificao). O primeiro passo antes da determinao de um mtodo de diagnstico
consiste em fazer um levantamento das falhas que podem ocorrer no sistema (Karpenko
e Sepehri, 2002; Aubrun et al., 1995).
A seguir sero apresentadas as principais falhas encontradas em vlvulas de controle.
2.5.1 Backlash
A falha denominada de backlash o movimento relativo entre peas fixas da vlvula
devido interao entre as partes mecnicas. O resultado da folga entre essas partes,
quando se aciona um movimento reverso, uma faixa sem variao do sinal de sada.
Como resultado, h o surgimento de uma banda morta, que adiciona tempo de atraso
malha de controle e prejudica a qualidade de controle. Tambm, h o risco de os
distrbios causados pelo backlash se propagarem para outras malhas. O comportamento
de uma vlvula com backlash pode ser descrita pela seguinte relao:
1
1 + 1
2
(2.1)
= 2
onde a a amplitude do sinal de entrada d a medida de banda morta, e ReYN e ImYN

se referem ao sinal real e imaginrio que descreve a falha (Hagglund, 2007; EnTech,
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)
Sendo Fs,a o coeficiente de atrito esttico pouco antes do deslizamento e td o tempo

morto. Alm disso, o modelo requer sete parmetros, que do nome ao modelo: 0 a
rigidez pr-deslizamento, Fc o coeficiente de atrito Coulombiano, Fs,inf=Fs-Fc o
coeficiente de atrito no estado estacionrio, Fv o coeficiente de atrito viscoso, vs a
velocidade de Stribeck, tl o atraso de atrito, e determina o comportamento temporal do
agarramento.
Como se nota, esse modelo composto de uma equao para o agarramento, e outra
para quando a vlvula estiver deslizando. A troca de uma equao para outra no fica
clara, o que pode requerer um oitavo parmetro. Alm disso, os estados do modelo
devem ser inicializados apropriadamente a cada troca de uma equao para outra que,
caso no for cuidadosamente feito, pode acarretar em erros.
O modelo de Lugre foi estudado nos trabalhos de Canudas de Wit et al. (1995),
Olsson (1996) e Olsson et al. (1998). Nesse modelo, so descritos os efeitos da frico
com maior representatividade, principalmente para baixas velocidades e reverses de
velocidade. O modelo descrito por:
= ()
= + ( )
(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 2.5: Algoritmo do modelo de Kano (Fonte: Garcia, 2008)

Garcia (2008) fez uma reviso sobre os modelos descritos acima e realizou testes
propostos pela ISA, para assim avaliar quais dos modelos eram capazes de representar o
agarramento. Para isso, realizou testes de rampa e pausa, baseline e degrau pequeno,
tendo como resultado final que trs modelos conseguiam representar fielmente a falha:
Karnopp, Lugre e Kano.
Graficamente, o modelo de Kano pode ser ilustrado conforme Figura 2.6, onde Fs
representa a banda morta causada pelo atrito esttico e FD pelo atrito dinmico. O
parmetro J definido como a diferena Fs- FD ,enquanto S por Fs+ FD.
Figura 2.6: Agarramento conforme o modelo de Kano ( Fonte: Garcia, 2008)
2.5.3 Suprimento de presso

A falha de suprimento de presso no atuador surge do bloqueio ou restrio das
linhas de suprimento de ar devido ao aumento da demanda de ar localizada da planta. O
suprimento influencia diretamente a quantidade de ar que pode ser entregue ao atuador.
Consequentemente, a resposta transiente da vlvula pode ser afetada por essa falha.
Conforme a causa dessa falha, a grau de avaria diferente, resultando em diferentes
nveis mximos de abertura da vlvula . (Fisher Controls Inc.,1999).
Karpenko e Sepehri(2002) utilizou classificadores baseados em rede neural para
identificar trs causas da falha de suprimento de presso: suprimento de ar incorreto,
vazamento do diafragma e bloqueio do respiro. Para isso, utilizou parmetros de
desempenho experimentais obtidos a partir do software ValveLink, da Fisher Controls
Inc., associados operao da vlvula. Com a tcnica de extrao caracterstica, possvel
obter a relao entre esses parmetros para cada falha, que ento classificada por uma
rede neural.
Com isso, conseguiu-se detectar diferentes causas de uma mesma falha, conforme
ilustrado na Figura 2.7:
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

Tcnicas de FDI
Muitos trabalhos acerca de FDI so encontrados na literatura, como Hagglund (2007),

Dustegor et al. (2005) e Karpenko e Sepehri (2002) , propondo novas tcnicas ou
simplesmente aperfeioando existentes. Dentre todos os propsitos, os estudos podem
ser divididos entre os que utilizam modelos do sistema e os que utilizam apenas dados de
operao rotineira. Em todos os casos, a ideia bsica comparar o estado atual da vlvula
com sua operao normal identificar variveis caractersticas de cada falha. (Hafaifa et al.,
2012).
2.6.1 Deteco baseada em modelo
As tcnicas de FDI baseadas em modelos levam em conta a modelagem de operao
normal do sistema e a posterior insero de parmetros que descrevem comportamentos
no lineares (falhas), causados, por exemplo, pela banda morta. A gerao de modelos
apresenta a vantagem de permitir detectar falhas com maior preciso, alm de melhor
detalhamento da falha. Um ponto fraco das tcnicas de modelagem que elas
geralmente so restritas a sistemas lineares e no lineares passveis de serem linearizados
em algum ponto de operao. Alm disso, em casos onde h pouca informao sobre o
modelo analtico, a tcnica se mostra problemtica. (Frank, 1990; Aubrun et al., 1995)
A tcnica mais popular de FDI baseada em modelo proposta por Frank (1990). Nela,
uma informao a priori matemtica do sistema utilizada para a modelagem do sistema
normal. Baseados nesse modelo, ento, so feitas aproximaes para estimao de
parmetros ou estado para assim facilitar a comparao entre o processo real e o
modelado e assim detectar falhas. Essa comparao pode ser usada tambm para gerar
um vetor de resduos sobre qual a causa da falha que pode ser identificada por mtodos
estatsticos e geomtricos. (Isermann, 1997; Leonhardt e Ayoubi, 1997)
Aubrun et al.(1995) modelou, baseado no sistema esttico e dinmico, a faixa de
operao normal da vlvula. Para isso, utilizou as variveis de entrada, de sada e
parmetros do controlador. A dificuldade encontrada foi determinar os parmetros dessa
faixa de operao, sendo ento utilizado um algoritmo em lgica Fuzzy para determinar
estes. Esse estudo mostrou-se eficiente para monitorar desvios do setpoint.
Hafaifa et al.(2012) desenvolveu um sistema de superviso de falhas baseado em
redes neurais para gerar indicadores de avarias em vlvulas. Para gerar esses indicadores,
os resduos foram analisados atravs do acompanhamento de quatro variveis de entrada
e duas de sada, o que permite avaliar a condio do sistema. Aps uma srie de testes,
foi possvel obter um bom modelo para refletir a operao de uma vlvula de controle.
2.6.2 Monitoramento de variveis
Para superar as limitaes dos algoritmos baseados em modelo, alguns pesquisadores
tm proposto modelos caixa-preta, baseados em redes neurais para avaliao de vlvulas,
como Borairi e Wang (1998), Bernieri et al.(1994), assim como McGhee et al. (1997).
Estes utilizaram uma rede multicamadas para modelar o torque de uma vlvula rotativa.
Esse tipo de modelo mostra-se til para deteco de quando uma situao de falha
ocorre, mas no para identificar qual a falha.
Redes neurais podem ser usadas de maneira diferente para resolver o problema de
FDI: ao invs de serem usadas para gerar modelos do sistema, podem ser implementadas
11
como classificadores. Nesse caso, um conjunto de parmetros que contm informao

sobre as condies operacionais do sistema em considerao so primeiramente obtidos
para operao normal assim como para um nmero de condies de operao de falhas.
Se bem selecionados, esses conjuntos de parmetros vo conter no s informao capaz
de detectar falhas, mas tambm informao que pode ser usada para identificar a causa
da falha. Os valores especficos de cada parmetro nos conjuntos so como impresses
digitais que o sensor capaz de identificar a falha. Essa tcnica tambm mostra como
atrativo no necessitar de regras heursticas para seu funcionamento. (Karpenko e
Sepehri, 2002)
To importante quanto identificar falhas, diagnostic-la e quantificar sua
magnitude. Para isso, Dustegor et al. (2005) propuseram anlise estrutural para
identificar falhas. No trabalho, foi utilizado o banco de dados Damadics, com 19 falhas
possveis, elaborado pelo WUT Team (2001). A partir dessa base, foi construda uma
matriz contendo as falhas e as variveis disponveis. Fazendo operaes nessa matriz, foi
possvel isolar a maioria das falhas, no tendo xito para apenas duas falhas.
Ling et al.(2007) montou um sistema capaz de detectar quatro tipos diferentes de
falhas que ocorrem em vlvulas: banda morta, backlash, vazamento e bloqueio. Para isso,
foi preciso medidas das variveis do sistema vazo, varivel de controle e set-point. Para
a classificao individual das falhas, foram extradas caractersticas geomtricas dos sinais
de medida. Com base nesses dados, foram aplicados testes de hiptese estatstica para
diferenciar as falhas.
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
Modelagem das falhas
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)
Sendo a dinmica do sistema. Ento, geraram-se dados alterando os valores dos

diferentes parmetros possveis de serem modificados. No caso de vlvula normal, h um
nico parmetro a ser modificado, que a dinmica do sistema.
Tabela 3.1: Parmetros alterados na simulao de vlvula normal.
Parmetro
Valor Inicial
Passo
Valor Final
0,4
101
Decidiu-se primeiramente por manter o sistema em malha aberta, pois a malha

fechada consegue compensar uma parcela da falha, tornando as diferenas menos
perceptveis para elaborao de ndices da ferramenta de deteco. No entanto, para o
teste de qualidade da ferramenta, os mesmos sistemas em malha fechada foram
simulados.
Para cada variao de algum dos parmetros, era realizada a simulao e coletados o
sinal de entrada do sistema (up) e o sinal de reposta na sada (yp). Armazenar a varivel
intermediria do processo (xp) seria valioso para se diferenciar cada uma das falhas, mas
em sistemas reais dificilmente se tem acesso a essas variveis, optando-se ento por no
armazen-las.
ilustrada na Figura 3.1 a implementao do diagrama de blocos no Simulink, bem
como o grfico das duas principais variveis de uma simulao:
Figura 3.1: Sistema em operao normal implementado em Simulink (esquerda) e

resposta das variveis do processo para (direita)
3.2.2 Backlash
Para a modelagem e gerao de dados nas condies de mau funcionamento da
vlvula, utilizaram-se as mesmas condies de entrada da vlvula normal, para depois
encontrar as diferenas entre as curvas obtidas.
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
A elaborao do algoritmo de agarramento foi baseada no respectivo fluxograma,

dado na Figura 2.5. Com isso, os parmetros que podem ser alterados nesse bloco so J,
que quantifica o sbito salto quando o atrito esttico vencido, e S, que representa a
banda morta criada pelo atrito esttico e dinmico da vlvula, alm da dinmica do
sistema.
Tabela 3.3: Parmetros alterados na simulao de vlvula com agarramento.
Parmetro
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:
Figura 3.3: Sistema em operao com agarramento implementado em Simulink(esquerda)

e resposta das variveis do processo para valores aleatrios da simulao (direita)
3.2.4 Vlvula com problema de suprimento de presso
Um algoritmo para descrio matemtica do problema de suprimento de presso no
foi encontrado na literatura. No trabalho de Karpenko (2004), os dados foram gerados em
uma vlvula de controle real, provocando falhas de suprimento de presso. Para isso,
utilizaram-se caminhos de ar para simular vazamentos e bypass. Nesse trabalho, para
gerar a simulao de vazamento, foi proposta uma funo matemtica para representar o
comportamento observado graficamente dessa falha.
A ideia para gerao desse vazamento em Simulink inserir uma equao que
descreva o vazamento, como funo no-linear antes da planta. A equao utilizada para
isso foi:
=
,
, >
(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:
Figura 3.4: Sistema em operao com vazamento implementado em Simulink e resposta

das variveis do processo para uma simulao.
Alm de vazamento, simulou-se a falha de suprimento de presso como a saturao
do atuador da vlvula. Esse tipo de situao pode ocorrer devido a vrios fatores, como
peas internas com defeito e desgaste. Ela tem comportamento muito semelhante ao
vazamento: em ambos os casos, a vlvula no consegue abrir/fechar totalmente,
saturando antes de seu limite. O que difere uma falha da outra est na maneira como
ocorre essa saturao: na falha de vazamento, essa saturao ocorre de forma suave, que
pode ser explicado pela raiz encontrada na equao (3.3) que descreve a falha. J quando
ocorre problema no atuador, essa saturao abrupta, visto que o movimento cessa sem
desacelerar como no vazamento.
17
Figura 3.5: Abertura de uma vlvula com vazamento e saturao do atuador.

Para criao dessa falha, inseriu-se um bloco de saturao antes da dinmica do
sistema, com o parmetro de saturao Psat. Nessa simulao, os parmetros foram
alterados segundo a Tabela 3.5.
Tabela 3.5: Parmetros alterados na simulao de vlvula com saturao do atuador.
Parmetro
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
Os parmetros adicionais que podem ser alterados nessa nova simulao so

referentes ao controlador: o ganho do controlador, kc, e o termo de integrao do
controlador, i, que foi ajustado de acordo com o valor da dinmica do sistema. O termo
derivativo foi mantido em zero, visto que o principal objetivo ver efeitos do sistema, e
no do controlador (Hagglund, 2007). Esses parmetros foram alterados conforme a
Tabela 3.6.
Tabela 3.6: Parmetros do controlador alterados na simulao de malha fechada.
Parmetro
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)
Onde P se refere ao termo proporcional, I a parcela integrativa e D ao termo derivativo.
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:
Figura 3.7: Implementao das simulaes em malha fechada.

3.2.6 Adio de rudo
Por fim, decidiu-se gerar dados em malha fechada com adio de rudo, para verificar
a qualidade da metodologia em uma condio mais prxima a realidade encontrada na
indstria. Para isso, inseriu-se um rudo wnp(white noise power) nos valores de 0,05 at
0,20, com aumento de 0,05 entre cada simulao. Com isso, h trs classes de dados que
sero utilizadas na criao e verificao da qualidade da ferramenta, como mostrado na
Tabela 3.7.
19

Tabela 3.7: Classes de dados geradas
3.3
Classe
Caracterstica
Malha aberta
Malha fechada
Malha fechada com rudo
Estratgia de deteco
Para a criao da estratgia de deteco de falhas e, alm disso, identificao de qual

falha ocorreu, necessrio elaborar indicadores capazes de diferenciar algumas
caractersticas que sejam como impresso digital da falha. Em outras palavras, preciso
encontrar o formato de um sinal disponvel que seja peculiar da falha, para que assim no
se confunda qual falha ocorreu. Como a entrada (up) mantida fixa no formato de seno,
a sada (yp) o sinal que deve ser analisado. A ideia repassar esses indicadores para um
algoritmo de reconhecimento de padres, neste caso uma rede neural, que ser utilizada
para gerao da predio da falha.
preciso analisar graficamente o conjunto de simulaes para que se formulem
indicadores eficientes para a diferenciao das falhas. Buscou-se em todas as condies,
desde vlvula normal at todas as falhas, manter-se o nmero prximo a 250 simulaes.
Em uma simulao contendo todas as situaes possveis, desde a vlvula operando
normalmente e todas as possveis falhas que foram modeladas nesse trabalho, obtm-se
um grfico como o da Figura 3.8 para comparao das falhas. Essa apenas uma
ilustrao com alguns parmetros de simulao, ou seja, conforme alteram-se estes, o
grfico tende a mudar sua forma.
Figura 3.8: Comparao entre as possveis falhas e de vlvula normal.

Como caractersticas do sistema, como sua dinmica e o ganho, no so informaes
sempre disponveis em sistemas reais, preciso buscar indicadores que sejam
independentes desses fatores, para que assim possam ser aplicados em qualquer situao
real. Com isso, os melhores ndices para a resoluo do problema so apresentados
abaixo.
20
3.3.1 ndice 1: Inclinao no topo e vale

O primeiro ndice criado para isolamento das falhas se refere inclinao da curva no
topo e no vale. Esse ndice mostrou valioso, pois independente dos parmetros utilizados
na simulao, verificou-se que no caso da falha de agarramento a inclinao no topo era
diferente da qual ocorria na simulao normal, conforme ilustrado na Figura 3.9. J as
falhas de suprimento de presso e backlash no mostraram significativas diferenas nesse
ndice, assemelhando-se ao comportamento da vlvula normal.
Figura 3.9: Inclinao no topo da simulao para diferentes falhas.

Inicialmente, no se obteve xito no isolamento das falhas com a utilizao desse e
dos demais ndices que sero apresentados. Para melhorar a acurcia desse ndice,
decidiu-se ento gerar o seno com igual frequncia equivalente onda dente de serra
padro do agarramento e sua fase, utilizando-se para isso a Transformada Rpida de
Fourier.
Tendo os dados da simulao e do seno gerado, foi possvel colocar todos os
parmetros sob uma mesma base. O ndice resultante (I1) :

1 =
(3.5)
onde Incltsim se refere inclinao no topo da curva da simulao e Incltseno ao seno

correspondente de cada simulao, conforme ilustrado na Figura 3.10.
Figura 3.10: Primeiro ndice aplicado nos sinais de agarramento e normal.
21

3.3.2 ndice 2: Inclinao na origem
O segundo ndice criado para isolamento das falhas o da inclinao da curva no

ponto de yp=0. Esse ndice mostrou-se importante para diferenciar as falhas quando no
chegam ao mximo do ponto de operao desejado (suprimento de presso e backlash) e
que ultrapassam o ponto de operao (agarramento). Inicialmente esse ndice s era til
para diferenciar o agarramento do resto das simulaes, conforme mostrado na
Figura 3.11:
Figura 3.11: Inclinao em zero da simulao para diferentes falhas.

Entretanto, com o ndice normalizado com seu seno equivalente, os ndices das falhas
de backlash e suprimento de presso se diferenciaram da de vlvula normal, pois como
no atingem o ponto desejado de operao, com a normalizao elas acabam se
estendendo na vertical, ficando assim com uma inclinao maior do que a operao
normal em zero. O segundo ndice (I2) pode ser quantificado como:

2 =
(3.6)
Onde Inclzsim se refere inclinao da curva da simulao em zero e Inclzseno ao do seno

correspondente.
3.3.3 ndice 3: Inclinao intermediria
Seguindo na busca por indicadores que diferenciem geometricamente todas as
situaes de simulao, elaborou-se um indicador que determinasse a inclinao
intermediria das curvas.
Para isso, converteram-se os valores de yp em valores absolutos, dividiu-se ento
cada simulao em 5 faixas, e determinou-se a quantidade de pontos que ficavam dentro
de cada faixa. Por fim, o ndice foi determinado pela razo entre quantidade mdia de
pontos na ltima faixa de separao pela quantidade mdia de pontos na primeira faixa
de separao, isto :
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
ndice, no se tornou necessrio normaliz-lo utilizando o seno equivalente de cada

simulao.
3.3.4 ndice 4: Assimetria de curva diferena
O quarto ndice (I4) criado para posterior treinamento da rede neural est associado a
comparar a curva simulada com o seu respectivo seno puro. Com os dois sinais, calculouse ento a distncia entre as duas curvas pela diferena de valores para uma sada yp na
mesma posio de operao, ficando-se com:
4 = 90 90
(3.8)
Onde ypsim(t90) e ypseno(t90) so os sinais de sada dos dados simulados e do seno

equivalente para um mesmo tempo t90 que se refere ao primeiro ponto em que ypsim
atinge 90% do mximo. Quanto menor for a diferena nesse ndice, menor a defasagem
da curva.
3.3.5 ndice 5: Assimetria de curva razo
O quinto ndice utiliza os mesmos princpios do quarto ndice. A diferena est em
utilizar a razo entre a inclinao da curva da falha e de seu respectivo seno, na forma:
5=
90+1 90
90+1 90
(3.9)
Onde as expresses (ypsim(t90+1)- ypsim(t90)) e (ypseno(t90+1)- ypseno(t90)) se referem,

respectivamente, s inclinaes das curvas dos dados simulados e do seno no mesmo
tempo t90 do ndice anterior.
3.3.6 ndice 6: Atraso Inicial
O ltimo ndice foi criado para diferenciar as falhas de backlash e suprimento de
presso, pois como os valores dos ndices supramencionados so muito semelhantes para
elas, a ferramenta de deteco se torna muito susceptvel a erros quanto a essas duas
falhas. O que mais diferencia as duas falhas o atraso inicial visto para o backlash,
presente no incio da simulao, conforme mostrado na Figura 3.12.
Figura 3.12: Tempo morto presente apenas no backlash.

Para isso, determinou-se o tempo do incio da simulao at o primeiro pico. Criandose a lgica para o intervalo de anlise:

= 0
= + 0 , 1 1. 109

= + 1,
6 =
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
Redes neurais Artificiais
As redes neurais artificiais so ferramentas poderosas para a elaborao de uma

ferramenta de FDI. As RNAs tratam-se de tcnicas computacionais que se baseiam em
modelos matemticos inspirados na estrutura neuronal de organismos inteligentes. A sua
principal caracterstica adquirir conhecimento a partir da experincia obtida pelo
treinamento da rede (Fausett, 1994).
Os neurnios que fazem parte da rede podem ser divididos em neurnios de entrada,
que so os responsveis por receber as caractersticas de entrada do treinamento, de
sada, que fornecem as classes de respostas possveis da rede, e intermedirios, que
fazem parte de uma camada oculta que interliga os outros dois tipos de neurnios. A
quantidade dos neurnios na camada oculta um parmetro a ser determinado, assim
como o tipo dos neurnios na rede. O esquema de funcionamento de uma rede neural
artificial apresentado na Figura 3.13:
Figura 3.13: Esquema de funcionamento de uma RNA.

3.4.1 Treinamento da rede neural
De forma simplificada, o treinamento fornece rede neural entradas, que sero as
variveis posteriormente fornecidas rede para a deteco e identificao das falhas, e a
reposta desejada. Dessa forma, a RNA testa vrias vezes a percepo da entrada. A cada
acerto, os neurnios envolvidos no processamento ganham ponto, e a cada erro perdem.
Dessa forma cria-se na rede a rotina de seguir o caminho com mais pontos, levando
gerao da resposta correta. Com isso, quando um sinal desconhecido inserido, a RNA
deve ser capaz de reconhecer padres semelhantes aos dados no treinamento para
determinar a resposta correta.
24
Para o treinamento, as variveis escolhidas como o conjunto de entrada so os ndices

que foram propostos anteriormente, conforme a Tabela 3.8:
Tabela 3.8: conjunto de entradas da rede neural.

I1
I2
Entradas
I3
I4
I5
I6
J a sada de rede foi classificada em quatro fatores diferentes, como ilustrado na

Tabela 3.9:
Tabela 3.9: conjunto de sadas da rede neural.
Sadas
0
Normal
1
Agarramento
2
Backlash
3
Supr. Presso
Para configurao da rede, utilizou-se a ferramenta Neural Network Toolbox

(NNTool), biblioteca de ferramentas especfica para configurao de Rede Neural do
MATLAB. Para a utilizao da NNTool na criao de rede, preciso definir os padres de
entrada e sada, cujo tamanho de matriz deve ser o mesmo, definir os parmetros de
treinamento, que so a quantidade de neurnios na camada oculta, camadas que a rede
ir possuir e o tipo d os neurnios. Por fim, feito treinamento da rede, validao e teste
da rede.
O nmero de camadas da rede neural foi definido como duas camadas, visto que no
havia sentido configurar apenas uma camada, onde o efeito de rede no se
aproveitado. Mais do que duas camadas torna a rede complexa, o que no vantajoso
para uma ferramenta de deteco de falhas.
Decidiu-se por utilizar uma conexo feedfoward como utilizado por Karpenko (2004),
o que significa que a sada de um neurnio em uma camada no alimenta outro neurnio
da mesma ou de outra camada diferente da qual sua sada. O nmero de neurnios foi
determinado pelo mtodo de tentativa e erro, mtodo mais comumente utilizado
segundo Zhang et al.(1998). Como mencionado anteriormente, em cada treinamento
obtm-se um resultado diferente, porque em cada treinamento as redes neurais tm
desempenho diferente, visto que a inicializao randmica dos pesos e bias. Com isso,
variou-se de forma crescente o nmero de neurnios e se padronizou em fazer dez
treinamentos consecutivos para cada rede configurada e, com o melhor resultado,
escolheu-se a que possua o valor mximo de correlao.
25
Resultados
Na deteco e identificao de falhas em vlvulas de controle, o objetivo no

apenas sinalizar quando ocorre falha, mas tambm conseguir isolar as falhas para decidir
com um grau de confiana considervel qual das falhas ocorreu. Para isso, alguns
aspectos devem ser analisados para se verificar se a ferramenta criada tem desempenho
satisfatrio. Num primeiro momento, as redes sero treinadas e os coeficientes de
regresso analisados. Caso apresentem valores adequados, uma anlise minuciosa da
capacidade de identificao da falha ser realizada, utilizando-se grficos de confuso.
4.1
Regresso da rede no treinamento
Em um primeiro momento, buscou-se determinar o nmero ideal de neurnios

intermedirios para configurao da rede neural. Para isso, utilizaram-se dados de malha
aberta, onde no treinamento 70% dos dados desse conjunto so apresentados como
entrada e os indicadores de falhas como as sadas desejadas. Assim, para redes com
quantidades diferentes de neurnios na camada oculta, obtiveram-se os seguintes
resultados coeficientes de regresso mostrados na Tabela 4.1.
Tabela 4.1: regresso de rede para malha aberta com diferente nmero de neurnios.
Desempenho da RNA
Nmero de neurnios
Regresso (R)*
10
0,921
15
0,937
20
0,943
25
30
0,934
0,904
* Melhor regresso em 10 treinamentos sucessivos
A anlise de regresso mede a correlao entre as sadas da rede e os resultados

desejados, sendo que valores mais prximos a 1 significam uma boa aproximao.
Analisando-se a Tabela 4.1, decidiu-se por utilizar a rede neural artificial contendo 20
neurnios, visto que foi o arranjo que apresentou melhor regresso em dez treinamentos
sucessivos.
Alm do sistema em malha aberta, analisou-se o desempenho da rede neural para um
sistema mais usual na indstria. Para isso, testou-se em um sistema em malha fechada, e
assim como para a malha aberta, buscou-se determinar o nmero ideal de neurnios na
camada oculta para configurao da rede neural artificial. A Tabela 4.2 apresenta a
qualidade das regresses para redes com quantidades diferentes de neurnios.
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
Analisando a Tabela 4.2 pode-se verificar que a regresso manteve-se satisfatria

para esse novo cenrio. Nesse treinamento com o sistema em malha fechada, mais uma
vez mostra-se adequado utilizar 20 neurnios, com a qual se obteve uma regresso de
mais de 0,95 na fase de treinamento.
Tendo-se escolhido o nmero de neurnios, pode-se ento analisar outros aspectos
de desempenho da rede.
4.2
Anlise dos ndices
Aps se determinar o melhor nmero de neurnios intermedirios para a rede, fez-se

uma anlise dos ndices criados para se verificar h necessidade ou no de se utilizar
todos. Para isso, analisaram-se as regresses do treinamento de todas as combinaes
possveis, isto , uma rede neural foi treinada para cada combinao possvel, para
diferentes nmeros de entradas (1 a 6). A arquitetura da mesma foi igual a utilizada
anteriormente.
A Tabela 4.3 sumariza os dados para anlise exploratria dos ndices, a qual mostra a
melhor combinao para diferentes nmeros mximos de ndices, bem como a correlao
obtida.
Tabela 4.3: performances dos treinamentos para diferentes variveis de entrada.
Nmero de ndices Variveis
R Treinamento
0,713
13
0,853
126
0,914
1356
0,933
13456
0,937
123456
0,943
Baseado na Tabela 4.3, verifica-se que todos os 6 ndices de entrada so necessrios

para assegurar a performance do modelo de falhas criado.
Como era o esperado, com a utilizao de apenas um ndice o resultado no
satisfatrio, pois nenhum dos ndices obtm caractersticas diferentes para isolar todas as
27
falhas. Uma melhor deteco ocorre para 2 ndices, entretanto o coeficiente de

correlao ainda insatisfatrio. Caso o usurio busque um modelo de menor dimenso,
4 entradas podem ser usadas, mas h sensvel perda de qualidade em relao ao modelo
de 6. Verifica-se ainda que a primeira entrada a mais importante, pois se mantm em
todos os conjuntos timos. Alm disso, h uma coerncia na seleo de variveis, visto
que os conjuntos agregam variveis com seu aumento, mantendo as mesmas do conjunto
anterior. Excetua-se neste caso a rede de 3 neurnios. As melhores combinaes para
cada conjunto so mostradas no Apndice 1.
4.3
Regresso de validao e de teste
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
Pode-se perceber que o desempenho em todas as etapas do treinamento se manteve

satisfatrio, sempre acima de 0,91, demonstrando que a qualidade da rede neural se
manteve mesmo com o novo cenrio de malha fechada.
4.4
Matriz de confuso
Outra maneira de se analisar o desempenho das redes neurais utilizando matrizes

de confuso geradas pelo prprio Matlab, que mostram o nmero de classificaes
corretas e errneas para cada classe de falhas. Alm disso, possvel analisar qual falha
foi a com menor ndice de acerto na deteco e com qual falha foi confundida. Para
realizar essa anlise, utilizaram-se as mesmas redes anteriormente treinadas. A matriz
para estudo em malha aberta mostrada na Figura 4.1.
Figura 4.1: matriz de confuso para dados em malha aberta.

Na matriz mostrada na Figura 4.1, as entradas 1, 2, 3 e 4 so, respectivamente, a
vlvula normal, com agarramento, com backlash e com problema de suprimento de
presso. Mais uma vez percebe-se o bom desempenho da rede neural. O ltimo
quadrado do canto inferior direito da matriz representa os acertos (valor superior) e a
percentagem de erros (valor inferior) totais da matriz. Esse resultado significa que a RNA
configurada pode classificar qual falha ocorreu com um grau de certeza de 92,5% no
geral. Tambm, verifica-se que o desempenho afetado pela deteco incorreta de
algumas falhas de agarramento e suprimento de presso.
Por fim, analisou-se a matriz de confuso para a simulao de malha fechada, a qual
mostrada na Figura 4.2.
29
Figura 4.2: matriz de confuso para dados de malha fechada.

Nota-se um timo desempenho da rede neural para o caso de malha fechada mais
uma vez. O resultado significa que a RNA configurada pode classificar qual falha ocorreu
com um grau de certeza de 95,1% no geral. Analisando-se entrada por entrada, o que se
nota que o resultado s no melhor por se ter mais uma vez engano na deteco de
suprimento de presso, sendo detectado como agarramento em alguns casos.
Para as demais entradas, o resultado obtido ficou muito bom. Vale ressaltar que a
entrada 1, de vlvula sem avaria, o acerto foi de 100% e no se enganou com nenhuma
falha, o que conclui-se que a tarefa de deteco de falha foi completada com xito. A
identificao de falhas apresentou a mesma performance, mas tratando-se de isolar trs
falhas, pode-se considerar o resultado satisfatrio.
4.5
Adio de rudo
Como ltima anlise, avaliou-se o desempenho do modelo treinado em malha

fechada com dados gerados para diferentes intensidades de rudos, aproximando-se
assim de uma situao real. Com isso, quer-se observar at que ponto os ndices
escolhidos para o treinamento da rede geram um resultado satisfatrio para a deteco e
identificao das falhas. O termo de rudo, wnp (white noise power) foi variado de 0,05
at 0,20 de intensidade, como ilustrado na Figura 4.3:
30
Figura 4.3: sinal de sada para diferentes nveis de rudo.

4.5.1 Regresso da rede com rudo
Em uma primeira anlise, avaliou-se o desempenho da rede para diferentes
magnitudes de rudo verificando-se os valores de regresso, cujos valores so
apresentados na Tabela 4.6.
Tabela 4.6: regresso para diferentes nveis de rudo.

Rudo
(wnp)
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
O resultado de regresso demonstra que houve uma queda de desempenho da rede

com o aumento de rudo, mas no chega a ser uma queda brusca de desempenho.
4.5.2 Matriz de confuso com rudo
Na anlise da matriz de confuso para os diferentes rudos, foram obtidos os
seguintes resultados (ver Figura 4.4):
31
Figura 4.4: matriz de confuso para a diferentes intensidades de rudo.

Pode-se perceber que a qualidade da deteco decai com o acrscimo de rudo, mas
no de forma expressiva. Isso pode ser explicado pelo rudo atrapalhar na determinao
correta dos ndices, e, consequentemente, da qualidade do treinamento da rede neural.
Como mostrado na Figura 4.3, o rudo atrapalha o sinal prximo aos picos, piorando
assim a qualidade dos ndices que dependem de sinais nessa regio.
Em todos os cenrios, obteve-se um desempenho superior a 81%, o que demonstra
que a rede pode ser utilizada para as situaes mais adversas de dados que pode se
encontrar. Em sistemas reais, com rudo inferior ao que foi simulado e/ou com
tratamento dos dados, possvel alcanar um desempenho semelhante ao do primeiro
cenrio.
32
Concluses e Trabalhos Futuros
Neste trabalho, uma metodologia para deteco e diagnstico de falhas em vlvulas

de controle, a partir de testes minimamente invasivos foi proposta. Outros trabalhos
propostos e encontrados na literatura utilizam como ferramentas softwares
especializados para gerao de dados e proposio de algoritmos de deteco para uma
falha especfica, com melhor desmembramento de nveis desta. Nesse trabalho, buscouse gerar os prprios dados com uma ferramenta de fcil acesso e manuseio, o Matlab, e
gerao de algoritmos de deteco para diferenciar quatro situaes distintas: vlvula
saudvel, com agarramento, com backlash e com problema de suprimento de presso.
A ferramenta com rede neural artificial proposta mostrou-se com bom desempenho
para o problema proposto: conseguiu detectar quando falhas ocorrem em vlvulas de
controle com quase 100% de confiana em todas as situaes, e identificar qual falha
ocorreu com grau de confiana de aproximadamente 90%, tendo esse grau piorado
quanto maior a intensidade do rudo que acompanha o sinal de sada. Isso demonstra a
importncia de um tratamento de sinal em situaes reais, o que auxilia no melhor
desempenho da ferramenta.
A metodologia proposta para criao da ferramenta mostrou-se capaz de servir de
base para a deteco e identificao de falhas em uma planta de processo real. Tendo-se
um treinamento satisfatrio, onde se garante um bom desempenho, as redes neurais
podem ser conectadas com a planta para gerao de resposta em tempo real.
Muitas possibilidades surgem com o desempenho satisfatrio da ferramenta criada.
Um trabalho mais detalhado, fazendo-se uma anlise minuciosa dos ndices criados pode
verificar quais ndices podem ser melhorados para melhor desempenho da ferramenta
alm da proposio de novos ndices para melhor isolar as falhas de agarramento e
suprimento de presso. Tambm, testar a qualidade da ferramenta ramificando-se as trs
falhas gerais propostas em falhas mais especficas, necessitando-se para isso analisar o
grau que caracteriza cada uma dessas falhas dentro das trs.
Por fim, sugere-se tambm a extenso de tal metodologia para diferentes sinais de
entrada, alm do seno proposto. Espera-se que tal mtodo seja base para futuros
desenvolvimentos de um sistema global de deteco e diagnstico de falhas em vlvulas
de controle, usando apenas dados de operao rotineira, sem a insero de sinais na
entrada.
33
Referncias
As referncias consultadas para a realizao desse trabalho de concluso de curso so

listadas abaixo:
[1]
Armstrong-Hlouvry, B., Dupont, P., and Canudas de Wit, C., 1994, A survey of
models, analysis tools and compensation methods for the control of machines with
friction. Automatica, 30(7), 1083-1138.
[2]
Associao Brasileira de Manuteno e Gesto de Ativos - ABRAMAN , 2004,
Apostila de Instrumentao.
[3]
Aubrun, C., Robert, M. and Cecchin, T., 1994, Fault Detection in a Control Loop,
Control Engineering Practice 3(1995),1441-1446, Vandoeuvre,France.
[4]
Bernieri, A, DApuzzo, M., Sansone, L., and Savastano, M., 1994, A neural network
approach for identification and fault diagnosis on dynamic systems, IEEE Transactions on
Instrumentation and Measurement 43(6), 867-873.
[5]
Bialkowski, W. L., 1993, Dreams versus reality: a view from both sides of the gap.
Pulp and Paper Canada (1994) vol.11, Boston, USA.
[6]
Borairi, M., and Wang, H, 1998, Actuator and sensor fault diagnosis of non-linear
dynamic systems via genetic neural networks and adaptative parameter estimation
technique, IEEE Conference on Control Applications I (1998) 278-282, Trieste, Italy.
[7]
Canuddas de Wit, C., Olsson, H., Astrm, K. J., and Lischinsky, P., 1995, A new
model of control systems with friction, IEEE Transactions on Automatic Control, 40(3),
419-425.
[8]
Coelho, A. A. R., Almeida, O. M., Coelho, L. S., 2000, Controlador nebuloso PID
autoajustvel com especificao de margem de fase e de ganho: implementao e anlise
de um processo no linear de luminosidade. CBA, pp. 747-752, Florianpolis.
[9]
Desborough, L. D., and Miller, R. M., 2002, Increasing customer value of industrial
control performance monitoring Honeywells experience. Chemical Process ControlVI(2001) Vol.98, Tuscon, USA.
[10]
Dustegr, D., Frisk, E., Cocquempot, V., Krysander and M., and Staroswiecki, M.,
2005, Structural analysis of fault isolability in the DAMADICS benchmark, Control
Engineering Practice 14 (2006),597-608, Lille, France.
[11] EnTech. (1998). EnTech control valve dynamic specification (version 3.0).
[12] Fausett, L., Fundamentals of Neural Networks: architectures, algorithms, and
applications. Englewood Cliffs, N. J.: Prentice-Hall International, 1994.
[13] Fisher Controls Inc., 1999b. Control Valve Handbook, Fisher Controls International
Inc., Iowa, USA.
[14] Frank, P. M., 1990, Fault diagnosis in dynamic systems using analytical and
knowledge-based redundancy- A survey and some results, Automatica 26(3), 459-474.
[15] Garcia, C., 2008, Comparison of friction models applied to a control valve, Control
Engineering Practice 16 (2008) 1231-1243, So Paula, Brasil.
[16] Hafaifa, A., Djeddi, A. Z., and Daoudi, A., 2012, Fault detection and isolation in
industrial control valve based on artificial neural networks diagnosis, Djelfa, Algeria.
[17] Hgglund, T., 2007, Automatic on-line estimation of backlash in control loops,
Journal of Process Control 17 (2007) 489-499, Lund, Sweden.
[18] Instituto Brasileiro do Petrleo IBP, Instrumentao Bsica
[19] ISA. (2000). Standard ANSI/ISA-75.36.01-2000. Test procedures for control valve
response measurement from step inputs.
[20] Isermann, R., 1997, Supervision, fault-detection and fault-diagnosis methods- an
introduction, Control Engineering Practice 5(5), 639-652.
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
Anlise com 2 ndices:

Tabela 7.2: regresso de treinamento para dois ndices.
ndices utilizados
13
12
14
15
23
16
34
24
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

Tabela 7.3: regresso de treinamento para trs ndices.
ndices utilizados R Treinamento
126
0,914
146
0,895
156
0,892
124
0,88
134
0,871
136
0,869
145
0,86
125
0,859
123
0,857
135
0,851
ndices utilizados R Treinamento

235
0,823
236
0,821
234
0,817
346
0,813
246
0,806
456
0,804
345
0,785
245
0,759
256
0,742
356
0,732
36

Tabela 7.4: regresso de treinamento para quatro ndices.
ndices utilizados
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
Tabela 7.5: regresso de treinamento para cinco ndices.

ndices utilizados
R Treinamento
13456
12356
12346
12456
12345
23456
0,937
0,935
0,931
0,914
0,896
0,852

Detecção e identificação de falhas em válvulas de controle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Detecção e identificação de falhas em válvulas de controle

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDADE FEDERAL DO RIO

Autor: Micael Attolini

Porto Alegre, dezembro de 14

Deteco e identificao de falhas em vlvulas de controle

Lista de Abreviaturas e Siglas

Importncia do aperfeioamento da malha de controle

Componentes de uma vlvula de controle

Auditoria de malhas de controle

Falhas comumente encontradas em vlvulas de controle

Deteco baseada em modelo

Modelagem das falhas

Vlvula com operao normal

ndice 1: Inclinao no topo e vale

Redes neurais Artificiais

Treinamento da rede neural

Regresso da rede no treinamento

Anlise dos ndices

DEQUI / UFRGS Micael Attolini

Regresso de validao e de teste

Regresso da rede com rudo

5 Concluses e Trabalhos Futuros

Deteco e identificao de falhas em vlvulas de controle

DEQUI / UFRGS Micael Attolini

Deteco e identificao de falhas em vlvulas de controle

DEQUI / UFRGS Micael Attolini

Deteco e identificao de falhas em vlvulas de controle

DEQUI / UFRGS Micael Attolini

Lista de Abreviaturas e Siglas

DEQUI / UFRGS Micael Attolini

Deteco e identificao de falhas em vlvulas de controle

Neste captulo, apresentada uma reviso bibliogrfica sobre os benefcios da

Um sistema de controle composto essencialmente por trs elementos: o sensor,

Figura 2.1: malha de controle simplificada (adaptado de Aubrun et al., 1995)

Importncia do aperfeioamento da malha de controle

Uma tpica planta da indstria qumica contm uma quantidade considervel de

DEQUI / UFRGS Micael Attolini

Componentes de uma vlvula de controle

A vlvula de controle a componente chave em qualquer sistema de controle. O mau

Figura 2.2: partes de uma vlvula de controle e corte transversal

Auditoria de malhas de controle

Auditoria de malhas de controle trata da avaliao do desempenho das malhas de um

Deteco e identificao de falhas em vlvulas de controle

seja, difcil separar os problemas de desempenho da planta por malha. (Shoukat

Falhas comumente encontradas em vlvulas de controle

Em geral, FDI designado a esquemas de diagnstico de falhas operacionais de um

onde a a amplitude do sinal de entrada d a medida de banda morta, e ReYN e ImYN

DEQUI / UFRGS Micael Attolini

Deteco e identificao de falhas em vlvulas de controle

Sendo Fs,a o coeficiente de atrito esttico pouco antes do deslizamento e td o tempo

DEQUI / UFRGS Micael Attolini

Deteco e identificao de falhas em vlvulas de controle

Figura 2.5: Algoritmo do modelo de Kano (Fonte: Garcia, 2008)

Figura 2.6: Agarramento conforme o modelo de Kano ( Fonte: Garcia, 2008)

DEQUI / UFRGS Micael Attolini

2.5.3 Suprimento de presso

Deteco e identificao de falhas em vlvulas de controle

Muitos trabalhos acerca de FDI so encontrados na literatura, como Hagglund (2007),

DEQUI / UFRGS Micael Attolini

como classificadores. Nesse caso, um conjunto de parmetros que contm informao

Deteco e identificao de falhas em vlvulas de controle

Modelagem das falhas

DEQUI / UFRGS Micael Attolini

Sendo a dinmica do sistema. Ento, geraram-se dados alterando os valores dos