AUTOMACAO CALDEIRA Sistema de Automacao para Monitoramento Online de Gases Residuais

SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE
DE GASES RESIDUAIS E DIAGNSTICO DE UMA CALDEIRA
OPERADA COM MISTURAS DIESEL/BIODIESEL
ANDREA VALDMAN
DISSERTAO DE MESTRADO
APRESENTADA AO PROGRAMA
DE PS-GRADUAO EM
TECNOLOGIA DE PROCESSOS
QUMICOS E BIOQUMICOS DE
ESCOLA DE QUMICA DA UFRJ.
ORIENTAO: PROF. MAURCIO BEZERRA DE SOUZA JR., D.SC.
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
2010
ii
SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE DE GASES RESIDUAIS E

DIAGNSTICO DE UMA CALDEIRA OPERADA COM MISTURAS DIESEL/BIODIESEL
ANDREA VALDMAN
Dissertao de Mestrado apresentada ao Programa de

Ps-Graduao em Tecnologia de Processos Qumicos e
Bioqumicos, para a obteno do ttulo de Mestre em
Cincias (M.Sc.).
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
AGOSTO 2010
iii
V144s Valdman, Andrea,
Sistema de Automao para Monitoramento Online de Gases Residuais

e Diagnstico de uma Caldeira Operada com Misturas Diesel/Biodiesel.
/ Andrea Valdman. Rio de Janeiro, 2010.
xix , 152 f. il.
Dissertao (Mestrado em Tecnologia de Processos Qumicos e

Bioqumicos) Universidade Federal do Rio de Janeiro, Escola de Qumica,
Rio de Janeiro, 2010.
Orientador: Maurcio Bezerra de Souza Junior.
1. Controle de processo. 2. Automao Industrial. 3. Deteco e

Diagnstico de Falhas. 4. Dados Experimentais. 5. Redes Neuronais. - Teses.
I. De Souza Jr., Maurcio Bezerra (Orient.). II. Universidade Federal do Rio
de Janeiro, Programa em Tecnologia de Processos Qumicos e Bioqumicos,
Escola de Qumica. III. Ttulo.
CDD: 665.776
iv
SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE DE GASES RESIDUAIS E

DIAGNSTICO DE UMA CALDEIRA OPERADA COM MISTURAS DIESEL/BIODIESEL
ANDREA VALDMAN
DISSERTAO SUBMETIDA AO CORPO DOCENTE DO CURSO

DE PS-GRADUAO EM TECNOLOGIA DE PROCESSOS
QUMICOS E BIOQUMICOS DA ESCOLA DE QUMICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO, COMO
PARTE DOS REQUISITOS NECESSRIOS OBTENO DO
GRAU DE MESTRE EM CINCIAS (M.SC).
APROVADA POR:
Prof. Maurcio Bezerra de Souza Jr., D.Sc.

Orientador
Profa. Ana Maria Frattini Filetti, D.Sc.
Prof. Eduardo Mach Queiroz, D.Sc.
Prof. Luiz Augusto C. Meleiro, D.Sc.
RIO DE JANEIRO, RJ - BRASIL

AGOSTO DE 2010
v
Ao meu pai,
que me apresentou a primeira caldeira.
minha me,
que me apresentou o primeiro controlador.
vi
AGRADECIMENTOS
Ao meu professor orientador, Maurcio Bezerra de Souza Jr., por sua pacincia e, principalmente,
pela confiana depositada nessa nova empreitada.
s minhas orientadoras do corao, sempre, professoras Belkis Valdman e Rossana Folly, pela
troca de sabedoria e criatividade e pelo carinho, com direito a todos os sabores e dissabores to
particulares e prprios do amor.
Aos meus consultores de assuntos aleatrios, tcnico de instrumentao Joo Vilaa e engenheiro
qumico Thiago Mury, pelas solues mirabolantes que, graas a Deus, quase sempre do certo.
A TODOS do Projeto CALCOM, com letras maisculas, em especial ao tcnico Gilberto e ao

quase engenheiro qumico Jlio Quintella, incansveis em todos os testes experimentais. FINEP
e ao CENPES/PETROBRAS, pelo financiamento do projeto.
Ao Conselho Nacional de Pesquisa - CNPq, pelo financiamento da bolsa de mestrado.

vii
Resumo:
VALDMAN, Andrea. Sistema de automao para monitoramento online de gases residuais e

diagnstico de uma caldeira operada com misturas diesel/biodiesel. Orientador: Maurcio Bezerra
de Souza Jnior. Rio de Janeiro: EQ/UFRJ, 2010. Dissertao (Mestrado em Tecnologia de
Processos Qumicos e Bioqumicos).
A dificuldade em gerenciar desvios operacionais em processos industriais a principal

causa para perdas de produtividade e alteraes indesejadas nas caractersticas do produto final,
exigindo a obteno do maior nmero de informaes possvel do processo, atualizadas no menor
intervalo de tempo disponvel. A conduo operacional dessas plantas exige ainda flexibilidade, ao
adequar processos e matrias-primas conforme a rentabilidade, o valor scio-ambiental agregado,
ou a disponibilidade dos mesmos. Considerando os aspectos ambientais e governamentais, aliado s
vantagens competitivas naturais do agronegcio brasileiro, as caldeiras industriais tendem a
ampliar a utilizao do biodiesel como combustvel lquido alternativo. O presente trabalho
desenvolveu e implementou um analisador virtual online de baixo custo e fcil instalao, em
conformidade com os sistemas industriais de automao e controle atualmente disponveis, para
predio da composio dos gases residuais da queima, em uma caldeira operada com misturas de
leo diesel/biodiesel e diferentes relaes ar/combustvel, em funo das variveis de processo
(temperatura, vazo e presso), auxiliando no monitoramento de poluentes e permitindo uma
operao mais consistente, produtiva e ambientalmente. As corridas experimentais foram conduzidas
em uma caldeira semi-industrial. Os dados das variveis de processo, usando instrumentao
fieldbus, e das anlises de composio, providas por um analisador comercial, foram empregados
no desenvolvimento de um modelo de inferncia baseado em redes neuronais. Para tanto, elaborou-se
uma metodologia detalhada para cada etapa de projeto do modelo, incluindo coleta e tratamento
de dados, definio da topologia e treinamento da rede, implementao no sistema SCADA
disponvel, validao online e manuteno. Os resultados obtidos foram compatveis com o
analisador comercial de referncia, o intervalo de tempo para atualizao das anlises foi seis vezes
menor e a etapa de manuteno foi executada em um intervalo de tempo considerado irrisrio
em comparao ao procedimento de manuteno do analisador comercial. Em funo da relevncia
das possveis falhas operacionais e das caractersticas funcionais dos atuais sistemas de automao,
foi tambm proposta uma ferramenta de deteco e diagnstico operacional da caldeira, ampliando
a abordagem experimental nesta rea de conhecimento.
viii
Abstract:
VALDMAN, Andrea. An automation solution for online monitoring of exhaust emissions

and diagnostics of a boiler fueled with diesel/biodiesel blends. Supervisor: Maurcio Bezerra de
Souza Jnior. Rio de Janeiro: EQ/UFRJ, 2010. M.Sc. Dissertation (Graduate Program on
Technology of Chemical and Biochemical Processes).
In industrial processes the difficulties on dealing with operational disturbances are considered
the main cause for productivity losses and significant changes on final product specifications.
One of the main concerns to help operators keep the process under control is to obtain a large
amount of process information in the shortest possible time interval. The worldwide globalization
context implies that industrial process plants must have great flexibility to adapt their production
line in order to obtain products within specifications, according to profitability targets, social and
environment added value or even raw material availability. Due to environmental and government
policies, allied to the inherent competitive advantages of Brazilian agribusiness, the use of
biodiesel as an alternative liquid fuel for industrial boilers is gradually being amplified. The aim
of this work was to develop and implement an online, low-cost, easy-to-use, neural network
based soft sensor, compatible with the present industrial automation and control systems. The
sensor was designed to predict exhaust emission levels of a diesel boiler fueled with diesel/biodiesel
blends at different air ratios, using temperature, flow rates and pressure as inputs variables. With
that purpose, experiments were conducted in a random order, using different diesel and biodiesel
blends as fuels in an oil boiler. The online experimental data consisted of process variables, obtained
using fieldbus instrumentation, and exhaust pollutant levels, obtained using conventional analytical
equipment. A detailed methodology was established for each phase of the study, including data
collection and treatment, topology and neural training comparative studies, development of a
SCADA system application, online validation and maintenance. Experimental online tests
confirmed the compatibility between the exhaust emission level results inferred by the online soft
sensor and those obtained with analytical equipment. Thus, the automation solution can be used
to assist pollutant monitoring, helping to achieve a more consistent operation, regarding production
and environmental profits. Scan acquisition intervals were six times smaller and maintenance
proceedings were optimized, without demanding a great amount of time. Additionally, in order
to assist the boiler operation, a dedicated failure detection and diagnostic system was embodied
within the online soft sensor.
ix
Sumrio:
Captulo 1
Introduo .............................................................................................................................1
1.1 Motivao e Objetivos.................................................................................................1

1.2 Organizao..................................................................................................................7
Captulo 2
Reviso Bibliogrfica..........................................................................................................8
2.1 Apresentao ................................................................................................................8

2.2 Automao de Processos Industriais ........................................................................9
2.2.1 Evoluo Natural ................................................................................................9
2.2.2 Instrumentao de uma Malha de Controle Contnuo ...............................15
2.2.3 Terminologia Diagrama P&I........................................................................20
2.3 Deteco e Diagnstico de Falhas ...........................................................................22
2.3.1 Evoluo Natural ..............................................................................................23
2.3.2 Classificao ......................................................................................................25
2.3.3 Terminologia .....................................................................................................27
2.4 Redes Neuronais ........................................................................................................29
2.4.1 Processamento matemtico.............................................................................30
2.4.2 Treinamento por backpropagation ................................................................32
2.4.3 Aplicaes em monitoramento, controle e diagnstico online ..................33
2.4.4 Aplicaes em monitoramento e controle de combusto ...........................35
2.5 O biodiesel como alternativa energtica ................................................................37
2.6 Emisso de poluentes em caldeiras geradoras de vapor .....................................42
Captulo 3
Materiais e Mtodos..........................................................................................................43
3.1 Apresentao ..............................................................................................................43

3.2 Planta Industrial Caldeira Flamotubular ............................................................44
3.2.1 Especificao Tcnica .......................................................................................44
3.2.2 Diagrama P&I....................................................................................................46
3.2.3 Arquitetura de Automao Instalada ............................................................48
3.2.4 Sistema Supervisrio SCADA para monitoramento ...................................50
3.2.5 Eficincia da Caldeira Mtodo Simplificado .............................................52
3.2.6 Implementao da Eficincia no Sistema SCADA.......................................53
3.2.7 Analisador de Gases Residuais.......................................................................54
3.3 Testes Experimentais.................................................................................................56
3.3.1 Planejamento Experimental ............................................................................56
3.3.2 Procedimento Operacional..............................................................................59
x
3.4 Metodologia de desenvolvimento do analisador virtual online ........................60

3.4.1 Obteno dos dados histricos .......................................................................63
3.4.2 Tratamento de dados .......................................................................................63
3.4.3 Definio e anlise das redes neuronais........................................................64
3.4.4 Implementao e validao online da rede neuronal selecionada ............65
3.4.5 Manuteno do analisador virtual implementado ......................................67
3.5 Algoritmos de diagnstico desenvolvidos.............................................................67
3.5.1 Metodologia de desenvolvimento do algoritmo de diagnsticos
operacionais.......................................................................................................69
3.5.2 Diagnsticos operacionais disponveis na instrumentao fieldbus ........70
3.5.3 Diagnsticos operacionais disponveis no sistema SCADA ......................72
Captulo 4
Desenvolvimento do sensor virtual ...............................................................................75
4.1 Apresentao ..............................................................................................................75

4.2 Obteno dos dados histricos ................................................................................76
4.3 Tratamento de Dados de Histrico .........................................................................79
4.3.1 Filtro 1 Excluso de variveis ......................................................................79
4.3.1.1. Circuito de gua ...................................................................................79
4.3.1.2. Circuito de combustvel.......................................................................81
4.3.1.3. Circuito de vapor..................................................................................82
4.3.2 Filtro 2 Excluso da dinmica transiente inicial........................................83
4.3.3 Filtro 3 Excluso de outliers ..........................................................................84
4.3.4 Dados de histrico filtrados ............................................................................85
4.3.5 Dados de histrico consolidados....................................................................88
4.3.6 Condies operacionais ...................................................................................89
4.4 Avaliao preliminar das redes neuronais utilizando os dados histricos ......90
4.4.1 Caracterizaes iniciais ....................................................................................90
4.4.2 Anlise comparativa preliminar.....................................................................92
4.4.3 Anlise de sensibilidade das variveis de entrada ......................................95
4.5 Avaliao da rede neuronal aps a reduo de dimenso ..................................97
4.5.1 Caracterizaes iniciais ....................................................................................97
4.5.2 Matriz de dados histricos reduzida .............................................................98
4.5.3 Anlise comparativa final de performance...................................................99
4.6 Analisador virtual da composio dos gases da caldeira ..................................102
4.6.1 Topologia .........................................................................................................102
4.6.2 Pr e Ps-tratamento ......................................................................................103
4.6.3 Funes de ativao........................................................................................105
4.6.4 Parametrizao da rede .................................................................................105
4.6.5 Anlise de desempenho na predio ...........................................................107
xi
Captulo 5
Implementao online do sensor virtual .....................................................................111
5.1 Apresentao ............................................................................................................111

5.2 Implementao do analisador virtual online no sistema SCADA....................112
5.2.1 Tela grfica de configurao .........................................................................114
5.2.2 Tela grfica de monitorao ..........................................................................115
5.2.3 Tela grfica de tendncia ...............................................................................116
5.3 Validao online do analisador virtual implementado .....................................116
5.3.1 Resultados da validao online preliminar ................................................117
5.3.2 Resultados da validao online ....................................................................118
5.4 Manuteno do analisador virtual online ............................................................124
5.4.1 Anlise de desempenho aps a etapa de manuteno..............................125
5.4.2 Resultados da validao online aps nova calibrao ..............................127
5.5 Diagnsticos operacionais propostos no sistema de automao disponvel ..132
Captulo 6
Concluses e Sugestes ..................................................................................................137
6.1 Concluses ................................................................................................................137

6.2 Sugestes...................................................................................................................142
Captulo 7
Referncias Bibliogrficas .............................................................................................143
Apndice
Apndice A Variveis de processo coletadas no banco de dados histricos,
disponveis para a caldeira flamotubular do LADEQ/EQ/UFRJ.......................152
xii
Lista de Figuras:
Captulo 1
Figura 1.1. Fluxograma das etapas funcionais bsicas em automao industrial .........2
Captulo 2
Figura 2.1. Evoluo tecnolgica da automao industrial.............................................13
Figura 2.2. Esquema bsico da instrumentao analgica utilizada em uma malha de
controle contnuo ...............................................................................................16
Figura 2.3. Esquema da instrumentao fieldbus utilizada em uma malha de controle
contnuo ............................................................................................................................18
Figura 2.4. Classificao dos mtodos de diagnstico baseados em dados de processo 26
Figura 2.5. Modelo no-linear de um neurnio j da camada k+1 ..................................29
Figura 2.6. Levantamento de 1999 das aplicaes online em mtodos de controle
baseados em redes neuronais ..........................................................................34
Figura 2.7. Levantamento de 2003 da aplicao de inteligncia artificial em controle
de processos de combusto ..............................................................................35
Figura 2.8. Matriz energtica brasileira do ano de 2005 ..................................................38
Figura 2.9. Consumo final energtico por setor................................................................39
Captulo 3
Figura 3.1. Planta piloto da central de utilidades do Laboratrio de Engenharia
Qumica/EQ/UFRJ ...........................................................................................44
Figura 3.2. Diagrama P&I da Caldeira ...............................................................................47
Figura 3.3. Arquitetura de automao utilizada na caldeira ..........................................48
Figura 3.4. Tela principal de operao da caldeira...........................................................50
Figura 3.5. Metodologia proposta para o desenvolvimento de um sensor virtual
online ...................................................................................................................62
Figura 3.6. Localizao de implementao do analisador virtual na automao da
planta ...................................................................................................................66
Figura 3.7. Fluxo de informao ao longo do algoritmo de diagnsticos desenvolvido
68
Figura 3.8. Gerenciamento de ocorrncias - detalhe do rodap da tela principal de
operao da caldeira..........................................................................................72
xiii
Captulo 4
Figura 4.1. Perfis temporais de dados de histrico brutos obtidos para a corrida D_3... 77
Figura 4.2. Circuito de gua de alimentao da caldeira.................................................80
Figura 4.3. Consumo de combustvel .................................................................................81
Figura 4.4. Produo de vapor ............................................................................................82
Figura 4.5. Etapas do teste....................................................................................................83
Figura 4.6. Nmero de pontos disponveis no sistema SCADA, aps a aplicao dos
filtros por corrida experimental........................................................................85
Figura 4.7. Nmero de pontos disponveis no analisador de gases, aps a aplicao dos
filtros por corrida experimental .......................................................................86
Figura 4.8. Anlise comparativa da correlao R2 mdio obtida para as redes
preliminares........................................................................................................93
Figura 4.9. Anlise de sensibilidade das variveis de entrada nas redes MLP
preliminares........................................................................................................95
Figura 4.10. Anlise comparativa da correlao R2 mdio obtida durante a validao
para as 5 melhores redes preliminares e 5 melhores redes obtidas aps a
reduo de dimenso ......................................................................................100
Figura 4.11. Topologia da rede neuronal desenvolvida como modelo para o analisador
virtual ............................................................................................................................. 102
Figura 4.12. Composio de gases residuais da caldeira, predita versus experimental, para a
rede selecionada...............................................................................................107
Captulo 5
Figura 5.1. Esquema ilustrativo de funcionamento do analisador virtual implementado
online ............................................................................................................................... 112
Figura 5.2. Tela de configurao de uma rede neuronal do tipo MLP no sistema
SCADA ..............................................................................................................114
Figura 5.3. Tela de acompanhamento do analisador virtual de gases online implementado
no sistema SCADA ..........................................................................................115
Figura 5.4. Exemplo de tela de tendncia em tempo real implementada para o
analisador virtual de gases online.................................................................116
Figura 5.5. Resultados da validao online preliminar .................................................117
Figura 5.6. Resultados da validao online para a predio de oxignio ...................119
Figura 5.7. Resultados da validao online para a predio de dixido de carbono 120
Figura 5.8. Resultados da validao online para a predio de monxido de nitrognio 120
Figura 5.9. Resultados da validao online para a predio de monxido de carbono.. 121
Figura 5.10. Resultados da validao online para a predio de monxido de carbono.. 121
Figura 5.11. Resultados da validao online para a predio de dixido de enxofre ....... 122
Figura 5.12. Temperaturas observadas ao longo da corrida................................................... 123
Figura 5.13. Composio de gases residuais da caldeira, predita versus experimental, para
a rede selecionada, aps procedimento de manuteno............................126
Figura 5.14. Resultados da validao online aps a manuteno para a predio de
oxignio .............................................................................................................128
xiv
Figura 5.15. Resultados da validao online aps a manuteno para a predio de

dixido de carbono ..........................................................................................128
Figura 5.16.Resultados da validao online aps a manuteno para a predio de
monxido de nitrognio ..................................................................................129
Figura 5.17. Resultados da validao online para a predio de monxido de carbono... 129
Figura 5.18. Resultados da validao online para a predio de monxido de nitrognio 130
Figura 5.19. Resultados da validao online para a predio de dixido de enxofre 130
Figura 5.20. Grfico de tendncia em tempo real para as variveis preditas durante a
corrida experimental DBDd31_1 ...................................................................131
Figura 5.21. Diagnsticos preliminares do analisador virtual online ...........................133
Figura 5.22. Diagnsticos do analisador virtual online em funo das variveis de
entrada...............................................................................................................134
Figura 5.23. Diagnsticos do analisador virtual online em funo das variveis de sada .135
xv
Lista de Tabelas:
Captulo 2:
Tabela 2.1. Simbologia de diagramas P&I ........................................................................20
Tabela 2.2. Identificao de diagramas P&I......................................................................21
Tabela 2.3. Terminologia utilizada em sistemas de diagnstico de falhas ..................28
Tabela 2.4. Principais funes de ativao utilizadas em redes neuronais do tipo MLP...31
Tabela 2.5. Projees do Plano Nacional de Energia para o consumo de diesel,
produo e percentual de biodiesel ...............................................................40
Tabela 2.6. Limites mximos para a emisso de poluentes em caldeiras leo diesel . 42
Captulo 3:
Tabela 3.1. Especificao Tcnica da Caldeira Modelo CV-VDM-500..........................45

Tabela 3.2. Especificao Tcnica do combustvel utilizado na Caldeira Modelo
CV-VDM-500 .....................................................................................................46
Tabela 3.3. Variveis contnuas disponveis na instrumentao fieldbus da caldeira51
Tabela 3.4. Variveis discretas disponveis na instrumentao
analgica/CLP/fieldbus da caldeira .............................................................51
Tabela 3.5. Variveis calculadas e variveis de entrada manual disponveis no
sistema SCADA da caldeira ............................................................................52
Tabela 3.6. Variveis disponibilizadas pelo analisador de gases ..................................54
Tabela 3.7. Tempos utilizados no ciclo de anlise de gases residuais ..........................55
Tabela 3.8. Planejamento Experimental ............................................................................58
Tabela 3.9. Categorias de identificao de falhas disponveis nos equipamento
fieldbus utilizados ............................................................................................70
Tabela 3.10. Diagnsticos de tipos de falha disponveis nos equipamento fieldbus
utilizados............................................................................................................71
Tabela 3.11. Diagnsticos de informao para sinais diretos disponveis nos
equipamentos fieldbus utilizados ..................................................................72
Tabela 3.12. Diagnsticos disponveis no sistema SCADA para Deteco e Isolamento
da ocorrncia .....................................................................................................73
Tabela 3.13. Diagnsticos disponveis no sistema SCADA para identificao da
ocorrncia...........................................................................................................74
Captulo 4:
Tabela 4.1. Variveis experimentais coletadas .................................................................76

Tabela 4.2. Tempo de durao da corrida experimental ................................................78
Tabela 4.3. Pontos experimentais por corrida aps a aplicao dos filtros..................86
Tabela 4.4. Comparao do nmero de outliers retirados por corrida aps a aplicao
dos filtros ...........................................................................................................87
xvi
Tabela 4.5. Comparao de resultados do filtro de outliers, aps a retirada da corrida

discrepante.........................................................................................................................88
Tabela 4.6. Mdias e desvios padro obtidos para a matriz de dados de processo
consolidada ............................................................................................................... 89
Tabela 4.7. Variveis de Entrada (independentes) e de Sada (dependentes) da rede
neuronal preliminar..........................................................................................90
Tabela 4.8. Parametrizao da ferramenta para busca da rede neuronal preliminar .... 91
Tabela 4.9. Nmero de pontos disponveis para cada mistura na anlise preliminar.... 92
Tabela 4.10. Performance comparativa das redes neuronais preliminares obtidas para
o analisador virtual...........................................................................................93
Tabela 4.11. Anlise comparativa do nmero de parmetros necessrios para as redes
preliminares obtidas.........................................................................................94
Tabela 4.12. Variveis de Entrada (independentes) e de Sada (dependentes) da rede
neuronal final.....................................................................................................97
Tabela 4.13. Parametrizao da ferramenta para busca da rede neuronal ....................98
Tabela 4.14. Comparao do nmero de padres disponveis para cada mistura .......98
Tabela 4.15. Performance comparativa das redes neuronais tipo MLP obtidas aps a
reduo de dimenso .......................................................................................99
Tabela 4.16. Desempenho comparativo das 10 melhores redes neuronais tipo MLP
obtidas para o analisador virtual..................................................................100
Tabela 4.17. Desempenho comparativo das 6 melhores redes neuronais tipo MLP
obtidas para o analisador virtual..................................................................101
Tabela 4.18. Parametrizao do pr e ps-tratamento das variveis ............................104
Tabela 4.19. Parametrizao da rede neuronal desenvolvida como modelo para o
analisador virtual ............................................................................................106
Tabela 4.20. Fator de correlao R2 obtido para a rede neuronal selecionada por
varivel de sada .............................................................................................108
Captulo 5:
Tabela 5.1. Pontos pr-existentes e novos definidos na base de dados do sistema

SCADA para o analisador virtual de gases online desenvolvido ...........113
Tabela 5.2. Tempo de atualizao para todas as instncias envolvidas na validao
do analisador virtual online ..........................................................................118
Tabela 5.3. Parametrizao do pr e ps-tratamento da rede neuronal aps a etapa
de manuteno ................................................................................................125
Tabela 5.4. Comparao dos fatores de correlao R2 obtidos para a rede neuronal
antes e aps a etapa de manuteno ............................................................127
Tabela 5.5. Diagnsticos desenvolvidos..........................................................................136
xvii
Lista de Abreviaturas:
ABNT Associao Brasileira de Normas Tcnicas

ANSI American National Standards Institute
ASME American Society of Mechanical Engineers
CALCOM Projeto Combustveis Alternativos em Caldeira de Pequeno Porte Instrumentada
CLP Controlador lgico programvel
CONAMA Conselho Nacional do Meio Ambiente
CPU central processor unit (unidade central de processamento)
EQ Escola de Qumica
GE General Electric
HSE high speed ethernet (ethernet de alta velocidade)
IEC International Eletrotechnical Commision
IEDs Intelligent Eletronic Devices
IFAC International Federation of Automatic Control
IHM interface homem-mquina
ISA International Society of Automation
LADEQ Laboratrio de Engenharia Qumica
MLP multi-layer perceptrons (perceptrons de mltipla camada)
MME Ministrio de Minas e Energia
MPC model predictive controller (modelo de controlador preditivo)
P&I piping and instrumentation (diagrama de instrumentao e processos)
PCA principal component analysis (anlise de componentes principais)
PID proportional-integral-derivative control (controle proporcional-integral-derivativo)
PLS partial least square (mnimos quadrados parciais)
PNE Plano Nacional de Energia
RBF radial basis function (funo de base radial)
SCADA supervisory control and data acquisition (sistema de superviso e aquisio de dados)
SANN Statistica Automated Neural Networks
UFRJ Universidade Federal do Rio de Janeiro
VBA Visual Basic for Applications
xviii
Lista de Smbolos:
Smbolos latinos
BDd Biodiesel de dend
CO2m quantidade de gs carbnico medida;
CO2max quantidade de gs carbnico terica mxima produzida pelo combustvel
Cpc poder calorfico do combustvel
D Diesel
DBDdxx_R.E identificao da etapa do teste experimental
di distncia normalizada entre o valor de cada varivel e sua respectiva mdia
E etapa do teste
ESOS funo soma do quadrado dos erros
F fator de converso de unidade
Fc vazo volumtrica do combustvel em L/h (FI-1013),
Fcomb vazo mssica de combustvel
FObjetivo funo objetivo
FVap vazo mssica do vapor
Ii valor de entrada do i-simo neurnio da camada de entrada
Lc nvel do tanque de alimentao de combustvel,
MaxIi valor mximo da i-sima varivel de entrada
MaxSi valor mximo da i-sima varivel de sada
Xx mdia global dos valores da varivel x
MinIi valor mnimo da i-sima varivel de entrada
MinSi valor mnimo da i-sima varivel de sada
N nmero total de variveis de sada na rede neuronal
NIi valor de sada do i-simo neurnio da camada de entrada
NH nmero de neurnios na camada escondida
NSi valor de sada do i-simo neurnio da camada de sada
O2m a quantidade de oxignio medida;
O2max a quantidade de oxignio disponvel no ar de atomizao
P nmero total de padres
R Rplica
Si valor de sada do i-simo neurnio da camada de sada
spi,k+1 sada (ou ativao) correspondente ao neurnio j da camada k+1 para um padro p
t tempo
ta intervalo de tempo de aquisio no sistema SCADA
tanalisador intervalo de tempo de atualizao das mdias obtidas pelo analisador comercial
tn intervalo de tempo de atualizao do analisador virtual
VCombt volume do tanque em litros no instante de tempo t
VEntrada nmero de variveis de entrada
VSada nmero de variveis de sada
xix
VVapt massa de vapor produzida at o instante de tempo t

wk,j,i peso correspondente conexo entre o neurnio j da camada k e o neurnio i
da camada k+1
xi i-simo valor da varivel x
xp,j,k sinal de entrada correspondente ao padro p, no neurnio j da camada k+1
Yi,p valor de processo obtido para a i-sima varivel de sada, para o padro p
Yp vetor contendo os valores alvo de todos os padres fornecidos a rede
ypj,k+1 sinal de sada correspondente ao neurnio j na camada k+1 para o padro p
Yrni,p valor da i-sima varivel de sada da rede neuronal, para o padro p
Yrnp vetor fornecido pelos neurnios de sada da rede neuronal para todos os padres
Smbolos gregos
E SOS gradiente do erro

t intervalo de tempo definido para a freqncia de armazenamento de dados
wk+1 diferena entre os pesos w obtidos para iteraes adjacentes
taxa de aprendizado
j,k+1 bias ou limite interno de ativao do neurnio j da camada k+1
ar excesso de ar fornecido para a queima do combustvel na caldeira
Hpj,k+1 resposta produzida pelo j-simo neurnio da camada escondida para o padro p
Opj,k+1 resposta produzida pelo j-simo neurnio da camada de sada para o padro p
pj,k+1 funo auxiliar que indica a soma ponderada de todas as entradas do neurnio j
da camada k+1 para um padro p
vap calor latente de vaporizao da gua
c densidade do combustvel
x desvio padro global da varivel x
ndices
k nmero da camada anterior quela analisada,
j nmero do neurnio da camada analisada.
p nmero de padres
CAPTULO 1
Introduo
1.1 Motivao e Objetivos

A tarefa de monitoramento e controle de processos qumicos e bioqumicos um dos
maiores desafios da indstria moderna. A monitorao online das variveis de processo permite
acompanhar em tempo real o comportamento da linha de produo, alm de auxiliar as decises
de interferncias diretas na conduo operacional da planta industrial para corrigir o desvio de
uma varivel em relao ao valor desejado. Estes desvios so as principais causas para perdas
de produtividade, aumento de gastos e alteraes indesejadas nas caractersticas do produto
final obtido.
A aplicao da rea de conhecimento denominada de controle de processos no setor
industrial permeada pela utilizao de equipamentos e conceitos definidos por outra rea de
conhecimento: automao industrial. A rea de automao industrial engloba um nmero
bastante extenso de atividades funcionais. O fluxo de informao percorre algumas etapas em
paralelo e outras em srie, alm de apresentar uma hierarquia bem definida, com atividades
prioritrias para a manuteno do funcionamento seguro e otimizado da planta. A Figura 1.1
apresenta um fluxograma simplificado, das etapas funcionais bsicas, envolvidas na rea de
automao de processos industriais e sua hierarquia, a serem abordadas na presente dissertao.
TPQB Escola de Qumica/UFRJ Valdman, A.

Captulo 1. Introduo 2
Diagnstico de Controle Equipe de

Falhas Avanado Engenharia
Superviso e Monitorao Equipe de

Operao
Medida Transmisso Controle Atuao
PROCESSO
Figura 1.1. Fluxograma das etapas funcionais bsicas em automao industrial
Conforme pode ser observado, o processo o elemento de referncia, apresentando

fenmenos fsicos, qumicos, fsico-qumicos ou bioqumicos de transformaes de massa e
energia e fenmenos mecnicos dos equipamentos construdos para comport-lo. Em princpio,
o processo disponibiliza todas as suas informaes inerentes para serem analisadas e manipuladas
por uma instncia hierarquicamente superior.
A primeira instncia de anlise denominada de instrumentao de processos. Nesta
instncia, encontram-se inicialmente os sensores para medio das variveis de processo desejadas
e os transmissores para converter essas variveis em valores numericamente manipulveis. Aps
a converso, os controladores analisam estes valores, calculando os desvios correspondentes
em relao a valores de referncia, e, em funo da lgica de controle previamente definida pela
equipe de engenharia para aquela varivel, quantificam a manipulao necessria ao processo
para manter a operao o mais prximo possvel do desejado. O valor enviado para a varivel
de sada da malha de controle correspondente submetido a um atuador, permitindo a real
interferncia no elemento de referncia de todo o circuito: o processo. Esse percurso cclico ocorre
continuamente, independente das demais instncias.
A instncia de anlise apresentada hierarquicamente acima chamada de superviso e
monitorao de processos. Essa etapa responsvel pelo acompanhamento do ciclo descrito
anteriormente permitindo aos operadores da planta industrial a identificao e quantificao dos
fenmenos do processo em tempo real, alm de possibilitar interferncias ocasionais quando
necessrio. Uma equipe de operadores responsvel pela monitorao continuada nessa instncia,
pois muitas vezes as lgicas de controle definidas no controlador para compensar distrbios ou
perturbaes no processo necessitam de simplificaes fenomenolgicas para serem viabilizadas
operacionalmente.

Observa-se que, em principio, todos os dispositivos utilizados na etapa de instrumentao

funcionam como lentes de aumento, permitindo a visualizao do processo em andamento na
planta industrial. Sem eles, nenhuma das instncias de maior hierarquia poderia exercer suas
funes. No entanto, analisando esses dispositivos apenas como propagadores de informao
baseados em converses fenomenolgicas, uma falha sua no identificada pode transform-
los em um caleidoscpio, onde nem tudo o que se v corresponde realidade.
A implementao industrial de estratgias de controle utilizando os dispositivos comer-
cialmente disponveis no setor de automao industrial exige a considerao de simplificaes
fenomenolgicas. Portanto, as principais dificuldades encontradas para estas implementaes so:
A varivel de medida mais crtica a um determinado processo pode no ser mensurvel

pelos sensores industriais comercialmente existentes, sendo substituda por outra varivel,
cujo comportamento possui uma correlao considerada apenas satisfatria com a primeira;
Estratgias de controle definidas na teoria para suprir determinadas situaes operacionais

podem exigir manipulaes numricas de complexidade acima daquela suportada pelos
controladores industriais;
A confiabilidade nos valores das variveis de medida disponibilizados pela instrumentao

essencial para a preciso da interferncia corretiva no processo;
A dificuldade em identificar e diagnosticar em tempo hbil, de forma precisa e quantificada,

a causa de uma falha ocorrida no processo pode gerar desvios acumulativos ao longo de todas
as etapas do processo, causando prejuzos econmicos e sociais.
Estas dificuldades foram as principais motivadoras para o surgimento das demais instncias
da rea de automao industrial. O avano na rea de conhecimento de controle avanado, atravs
do estudo de novas tcnicas de controle de processos baseadas em mtodos numricos mais
complexos, exigiu o desenvolvimento de sistemas robustos capazes de trocar informaes com a
instrumentao, usando ou no, a etapa de superviso e monitoramento como etapa intermediria.
Observa-se ainda que todas as instncias do setor de automao industrial dependem
intrinsecamente das informaes fornecidas pelos medidores e transmissores. Atravs deles,
os desvios ocorridos no processo podem ser percebidos e propagados s instncias seguintes
para tomada de deciso corretiva. No entanto, a complexidade do processo industrial e a dificuldade
em medir algumas variveis de processo consideradas mais sensveis aos desvios implicam
muitas vezes na necessidade da anlise simultnea, comparativa e sistemtica das variveis de
processo disponveis para identificar, diagnosticar e corrigir as falhas operacionais.

Vrios autores (HIMMELBLAU, 1978; ISERMANN, 2006; FORTUNA et al, 2007)

observam que essas correes tm por objetivo a predio/preveno de distrbios significativos
ao processo, mantendo a qualidade do produto e otimizando da cadeia de produo, aumentando
a eficincia do mesmo. Em 2007, a dificuldade em gerenciar situaes anormais de operao
causou um prejuzo estimado de 20 bilhes de dlares indstria petroqumica americana
(JAMSA-JOUNELA, 2007). Portanto, a rea de conhecimento de diagnstico de falhas considerada
o prximo desafio na implementao de sistemas de controle de processos.
A aplicao de mtodos de diagnostico de falhas, baseados em diferentes princpios, a
processos qumicos industriais vem sendo cada vez mais objeto de estudos acadmicos sistemticos.
Atualmente, os estudos nesta rea podem ser separados em duas categorias principais: as
ferramentas baseadas no modelo do processo ou baseadas nos dados histricos de processo
(VENKATASUBRAMANIAN et al, 2003a; VENKATASUBRAMANIAN; RENGASWAMY;
KAVURI, 2003; VENKATASUBRAMANIAN et al, 2003b). Esta ltima categoria acompanha
os valores disponibilizados pela instrumentao atravs de mtodos matemticos baseados em
modelos heursticos, para obter um diagnstico apenas qualitativo, ou algoritmos de redes neuronais
e mtodos estatsticos multivarivel para determinao quantitativa (JAMSA-JOUNELA, 2007).
Oggunaike (1996) apresenta em seu artigo uma breve discusso filosfica sobre a
importncia do desenvolvimento efetivo de paradigmas e ferramentas aplicadas ao diagnstico
e monitoramento automtico dos processos industriais, permitindo uma avaliao contnua do
processo como um todo e do desempenho dos sistemas de controle. Segundo Oggunaike (1996),
a deteco antecipada de falhas de sensores, atuadores e do processo em si, aliada a um sistema
eficaz capaz de promover aes corretivas rpidas e eficientes, inevitvel para adequar-se s
demandas cada vez mais rgidas de regulao da segurana e das condies ambientais, sem
prejudicar a viabilidade econmica do processo. No entanto, considerando a dificuldade
histrica de aproximao entre os profissionais acadmicos, especializados nos conceitos
tericos, e os profissionais da indstria, especializados nos conceitos prticos, o principal paradigma
para desenvolver solues duradouras e eficazes est baseado na colaborao sinrgica entre
teoria e prtica, entre academia e indstria.
Efetivamente, uma das maiores dificuldades de implementao destas tcnicas encontra-se
na aplicao de uma interface entre os mtodos matemticos desenvolvidos, normalmente bastante
complexos para serem implementados nos equipamentos de instrumentao, e os sensores,
transmissores e atuadores disponveis comercialmente em ambiente industrial. A caracterstica
comportamental destas variveis, monitoradas online com o processo, em tempo real, sujeitas a

rudos e oscilaes, determina que a identificao de falhas seja acompanhada em nveis de

hierarquia, de acordo com a prioridade da falha e confiabilidade da informao.
Dentro desse contexto, segundo estudos setoriais do incio da dcada de 90, Teixeira
(1992) j identificava o setor petroqumico como um dos maiores consumidores do mercado de
automao industrial. Atualmente, considerando a demanda crescente por combustveis lquidos
no setor industrial projetada para o ano de 2030 pelo governo brasileiro (MME, 2007b) e a limitao
das reservas mundiais de petrleo (RATHMANN et al, 2005), o preo desta matria-prima tende
a atingir patameres muito elevados, mesmo antes de seu esgotamento, tornando seus derivados
cada vez menos viveis economicamente.
Considerando ainda o atual contexto mundial de saturao ambiental e a crescente exigncia
pela reduo da emisso de gases poluentes na atmosfera, vrios estudos vm sendo promovidos,
inclusive nas indstrias petroqumicas, na busca por novas fontes de energia, mais baratas,
renovveis e menos poluentes. O biodiesel, devido ao valor scio-ambiental agregado, vem
ganhando uma visibilidade cada vez maior no cenrio mundial de combustveis, em particular,
no Brasil, se levarmos em considerao as vantagens competitivas naturais do agronegcio brasileiro.
No entanto, a tecnologia empregada na conduo das linhas de produo utilizando
esta nova matria-prima ainda uma rea de conhecimento em estudo. Alm disso, para a
garantir a qualidade do produto final e reduzir continuadamente os prejuzos ambientais, as
restries operacionais e os limites mximos de emisso de poluentes atmosfricos esto cada
vez mais restritos. O desenvolvimento da rea de conhecimento que engloba o diagnstico de
falhas da instrumentao utilizada em controle de processos vem se tornando, portanto, cada
vez mais, essencial para a viabilidade industrial destas novas tecnologias.
Ao analisar os atuais trabalhos acadmicos que envolvem o estudo da utilizao de
biodiesel como combustvel alternativo apresentam uma predominncia em mquinas automotivas,
em comparao a mquinas trmicas industriais. Neste sentido, o presente trabalho buscou
desenvolver ferramentas que permitam ampliar o nvel de conhecimento nesta rea, incentivando
a utilizao do biodiesel e misturas de biodiesel/leo combustvel em caldeiras para produo
de vapor, contribuindo para reduzir as atuais lacunas tecnolgicas.
Tendo em vista a importncia do assunto abordado e o aspecto multidisciplinar de sua
implementao operacional, o presente trabalho tem por objetivo primordial o desenvolvimento
de um analisador virtual, baseado em redes neuronais, para predio da composio de gases
residuais resultantes da combusto de leo diesel metropolitano ou misturas deste com o leo
biodiesel de dend, aplicado a uma planta piloto de uma caldeira semi-industrial, no Laboratrio
de Engenharia Qumica (LADEQ) da Escola de Qumica (EQ), na Universidade Federal do

Rio de Janeiro (UFRJ). Agregado ao sensor ser proposto ainda um sistema preliminar de
diagnsticos de falhas operacionais para a caldeira.
Os dados de processo disponveis atravs da instrumentao atualmente instalada na
planta foram coletados ao longo de uma srie de corridas experimentais envolvendo diferentes
tipos de mistura e diferentes propores ar/combustvel na queima. Inicialmente, o presente
trabalho desenvolver uma etapa de tratamento de dados, de forma a prepar-los para serem
fornecidos como conhecimento prvio a um modelo genrico de redes neuronais, permitindo o
treinamento e validao da mesma, especificando a topologia mais adequada ao objeto de estudo.
Seguindo metodologias citadas na literatura, foram realizadas as principais etapas de
desenvolvimento de um analisador virtual, incluindo a seleo das variveis de entrada e variveis
de sada da rede, o treinamento e a determinao do modelo de melhor desempenho, aps um
estudo dos resultados obtidos para redes preliminares, e a avaliao detalhada da etapa de validao
da rede neuronal selecionada.
Aps a determinao da rede neuronal mais adequada como modelo de regresso para
a predio da composio dos gases residuais da caldeira em estudo, foi desenvolvida uma
aplicao deste algoritmo no sistema de automao instalado, adequando as ferramentas primordiais
j disponveis na instrumentao, permitindo a implementao do analisador virtual online ao
processo. Em seguida, foi realizada uma srie de testes de validao online, incluindo corridas
experimentais com diferentes tipos de combustvel para comprovar o desempenho do modelo
implementado.
Em funo dos resultados obtidos, foi proposto um sistema preliminar de diagnsticos
de falhas operacionais para a caldeira industrial, expandindo a funcionalidade do analisador
virtual desenvolvido e agregando conhecimento s ferramentas disponibilizadas pelo moderno
sistema de instrumentao industrial atualmente instalado, alm de ampliar as possibilidades
de otimizao e manuteno do procedimento operacional da planta industrial.

1.2 Organizao
Os captulos desta dissertao esto dispostos da seguinte forma:
O captulo de Reviso Bibliogrfica apresenta um breve panorama histrico do desen-

volvimento da rea de instrumentao de processos, assim como da rea de diagnstico quantitativo
de falhas. Para melhor compreenso da dissertao, sero introduzidos os principais conceitos de
redes neuronais, incluindo algumas aplicaes online para monitorar, controlar e diagnstico de
processos e outras mais especficas sobre monitoramento e controle de combusto. Considerando
que o presente trabalho utiliza como matriz energtica o leo biodiesel, alternativa mais favorvel
ao desenvolvimento sustentvel scio-econmico mundial, so apresentadas algumas consideraes
sobre este combustvel.
O captulo de Materiais e Mtodos apresenta uma breve descrio do funcionamento da

caldeira, uma descrio detalhada da instrumentao utilizada na planta piloto e uma apresentao
resumida dos testes experimentais realizados para obteno dos dados de processo a serem
utilizados durante o desenvolvimento do algoritmo. Em seguida, sero apresentadas as premissas
utilizadas na metodologia de desenvolvimento do analisador virtual online e dos diagnsticos
operacionais propostos.
O primeiro captulo de Resultados e Discusses apresenta uma anlise dos resultados

obtidos para as etapas de tratamentos de dados histricos, avaliao comparativa das redes
neuronais preliminares obtidas e avaliao comparativa das redes neuronais obtidas aps a reduo
de dimenso. Aps a escolha da rede de melhor desempenho, apresentada uma especificao
detalhada do analisador virtual para predio da composio de gases residuais desenvolvido. O
segundo captulo de Resultados e Discusses apresenta uma anlise da etapa de implementao
do analisador virtual no sistema de automao. Por fim, sero apresentados os resultados obtidos
durante a validao online do analisador desenvolvido, incluindo uma comparao entre os dados
calculados utilizando a ferramenta desenvolvida e os dados medidos atravs de um equipamento
analisador disponvel no mercado, considerando a utilizao de diferentes tipos de mistura
como combustvel. Em funo dos resultados obtidos durante as corridas de validao online,
so apresentados os resultados da etapa de manuteno e as propostas de diagnsticos operacionais
desenvolvidas no presente trabalho.
O captulo de Concluses e Sugestes apresenta as concluses finais do trabalho, alm

de sugestes para trabalhos futuros.

CAPTULO 2
Reviso Bibliogrfica
2.1 Apresentao
Inicialmente, este captulo apresenta informaes relevantes da rea de automao industrial,
incluindo um breve histrico, uma descrio dos principais dispositivos envolvidos em malhas de
controle industrial e a terminologia usualmente aplicada a fluxogramas de processo e instrumen-
tao e empregada para descrever as principais funes da instrumentao em plantas industriais.
Analogamente, ser apresentado, em seguida, um breve histrico dos sistemas de deteco e
diagnstico de falhas, a estrutura de classificao dos principais mtodos empregados e a terminologia
que vem sendo utilizada para designar metodologias, ocorrncias, eventos e sintomas operacionais
de plantas industriais. Considerando que a presente dissertao utiliza conceitos baseados em
redes neuronais no seu desenvolvimento experimental, sero exibidos um resumo do processamento
matemtico envolvido e o principal mtodo utilizado no treinamento dos mesmos. As aplicaes
encontradas na literatura envolvendo de redes neuronais para o monitoramento, controle e
diagnstico online de processos, com enfoque nas aplicaes voltadas combusto, sero
apresentadas para contextualizar a dissertao no estado da arte.
Finalmente, o captulo apresenta o biodiesel como um combustvel alternativo, em
substituio total ou parcial, ao leo diesel, de origem fssil, alm de discorrer sobre algumas
consideraes envolvendo os limites de emisso de poluentes em caldeiras geradoras de vapor.

Captulo 2. Reviso Bibliogrfica 9
2.2 Automao de Processos Industriais

Atualmente, a maior parte das linhas de produo industrial automatizada, sendo os
equipamentos de automao responsveis pela interferncia no processo em resposta a perturbaes.
Portanto, a confiabilidade e segurana do sistema como um todo depende do correto funcionamento
de todos os elementos da malha de controle industrial (ISERMAN, 2006).
O acesso ao comportamento de variveis do tipo temperatura, presso, vazo, nvel, entre
outras, ao longo do tempo essencial para aumentar a produtividade e otimizar a conduo
operacional do processo. No entanto, a dinmica caracterstica dos processos qumicos e bioqumicos
evidencia que as variveis mais importantes para o acompanhamento do processo so as
concentraes de matrias-primas e produtos, atividade enzimtica ou mesmo concentraes
intracelulares, variveis que muitas vezes no esto disponveis on-line (OLSSON; SCHULZE;
NIELSEN, 1998).
Sendo assim, alm das especificaes funcionais da instrumentao utilizada em uma planta
industrial, o tempo de tomada de deciso pode ser determinante para o processo gerar lucro ou
prejuzo. Como as aes de interferncia no processo, automticas ou manuais, dependem intrin-
secamente dos valores on-line das variveis de processo, a confiabilidade torna-se um fator
determinante para a aceitao da implementao de tcnicas de controle mais apuradas e robustas.
A evoluo natural ocorrida nas reas de conhecimento de automao industrial e diagnstico de
falhas, alm do desenvolvimento de uma terminologia padronizada para utilizao de pesquisadores
e usurios, descrita em vrios artigos encontrados na literatura, evidenciando esta preocupao.
2.2.1 Evoluo Natural

Entre os fatores determinantes para a evoluo natural do estado da arte da automao
industrial destacam-se: uma crescente demanda no desempenho do processo e na qualidade do
produto, a definio de processos operacionalmente independentes de interferncias do operador
humano e a substituio das tarefas montonas e repetitivas executadas pelo operador por tarefas
mais especializadas (ISERMANN, 2006).
No final do sculo 19, grandes mquinas j utilizavam uma instrumentao mecnica de
segurana que permitia o travamento do seu funcionamento quando o processo ultrapassava
determinados limites operacionais, tornando o equipamento inseguro e o ambiente perigoso. No
entanto, at 1940 a maioria dos processos qumicos era operada manualmente, pois os processos

em si no eram muito complexos, os requisitos operacionais para a operao das plantas no

eram muito restritos e o controle da qualidade final do produto no era muito rgido. Sendo assim,
o processo era capaz de interagir efetivamente com o ambiente atravs apenas da utilizao de
um sistema de controle manual (OGUNNAIKE, 1996).
Esta caracterstica operacional exigia um ou mais operadores dedicados tarefa de
acompanhar o processo, dependendo do nmero de malhas necessrias, com conhecimento
suficiente para interferir na operao da planta, mantendo-a em funcionamento. A partir de 1935,
para auxiliar no monitoramento do processo, surgem os registradores grficos base de tinta, onde
os sinais pneumticos provenientes dos sensores eram acoplados a penas mecnicas imprimindo as
variaes de sinal em um papel, permitindo o acompanhamento em tempo real da varivel desejada
e o registro impresso de dados histricos para anlise posterior (ISERMANN, 2006).
No entanto, no perodo ps-guerras, as demandas modernas implicavam em um aumento da
produo industrial. Naturalmente, a manuteno de uma produo contnua maior do que a
praticada at ento e a maior complexidade dos processos, em decorrncia da interao entre
diferentes unidades industriais, exigiram um avano tecnolgico no setor de automao.
Em 1945, os Estados Unidos da Amrica criaram a ISA Instrument Society of America
(Sociedade Americana de Instrumentao), uma organizao nacional com o objetivo de trocar
informaes sobre a rea de instrumentao, alm de definir normas tcnicas de padronizao
(ISA, 2010).
Ogunnaike (1996) ressalta que a popularizao das malhas de controle feedback simples
ocorre somente nos anos 50 e, apesar de estudos tericos e acadmicos continuados nesta poca,
os avanos na aplicao prtica destes estudos em controle de processos eram limitados pelas
caractersticas fsicas dos equipamentos de campo. Era o incio da aplicao de malhas de controle
automticas em processos industriais, nos quais o fluxo de informao era feito atravs de
transmissores pneumticos e os clculos computacionais eram feitos por dispositivos mecnicos,
tais como molas e foles.
Ao analisar este contexto sob a tica atual, observa-se que as limitaes eram bvias: a
defasagem temporal entre a varivel medida e o recebimento da mesma pelo controlador,
dependendo do circuito pneumtico a ser percorrido entre o campo e o dispositivo de controle; o
controlador s permitia operaes matemticas simples e em nmero limitado; o desgaste
mecnico dos dispositivos de controle exigia uma manuteno continuada para ajuste dos
parmetros de controle (OGUNNAIKE, 1996).
Na dcada de 50, surge uma aplicao pioneira de um sistema de controle computadorizado
aplicado a uma unidade de polimerizao cataltica na refinaria da Texaco Port Arthur, desenvolvido

com o intuito de otimizar a operao e a produo industrial. Inicialmente, este sistema era
responsvel apenas pela aquisio de dados de processo, por alguns clculos offline de eficincia,
pelo auxlio ao operador no acompanhamento do processo, alm de incorporar funes de moni-
toramento de alarme atravs da comparao dos valores aquisitados com limites operacionais
(SAMAD; MCLAUGHIN; LU, 2007).
No entanto, somente em torno de 1960 foram introduzidos os controladores analgicos e
os amplificadores baseados em transistores e, posteriormente, os controladores contnuos baseados
em dispositivos acoplados por fios eltricos. Um sinal eltrico ou eletrnico transportado
muito mais rpido do que um sinal pneumtico. No entanto, esta tecnologia trouxe ainda outras
limitaes: a suscetibilidade destes sinais a rudos eltricos externos e perda de sinal em linhas
de transmisso muito grandes (OGUNNAIKE, 1996). Para manter a confiabilidade da informao,
todos esses equipamentos continuavam utilizando a verificao de limites como principal mtodo
de diagnstico de falhas.
Em 1968, foram implementados os primeiros controladores lgicos programveis,
substituindo os antigos controladores por rels eletromecnicos, facilitando o desenvolvimento
de sistemas de segurana robustos. O desenvolvimento destes equipamentos foi uma resposta
tecnolgica s necessidades de sistemas de controle on-off e controle sequenciado, baseando-se
principalmente em variveis de estado (RAMEBACK, 2003). Em paralelo, foram desenvolvidos
os controladores single-loop e multi-loop, dedicados exclusivamente s malhas de controle contnuo.
Um pouco mais tarde, computadores de grande porte, mais flexveis e versteis do que os
controladores industriais analgicos disponveis at ento, comearam a ser implementados
para suprir as necessidades dos sistemas de controle contnuo, centralizando as tarefas de controle
(RAMEBACK, 2003).
A partir do final dos anos 70, o desenvolvimento progressivo de sistemas computacionais
e micro-processados simples e baratos abriu um vasto campo de possibilidades para a execuo das
tarefas de aquisio, monitorao e controle de variveis de processos industriais. A interface
dos sistemas de automao disponibilizada pelos computadores era ainda bastante primitiva,
em funo das limitaes de memria e espao de armazenamento disponvel (NIMMO, 1999).
Essa interface permitia ao operador fazer apenas pequenas interferncias, tais como a alterao
do setpoint de uma malha de controle PID implementada em um controlador single-loop ou
multi-loop.
A partir dos anos 80, o computador digital se popularizou, agregando funes de troca
de informao em rede, integrando muitas das funes que eram antes dispersas pelos vrios
elementos de um sistema de automao (SAMAD; MCLAUGHIN; LU, 2007). Os sistemas

supervisrios tornaram-se uma ferramenta importante, ampliando suas funes de armazenamento

de dados histricos (NIMMO, 1999). Nesta poca, foram desenvolvidos os primeiros sistemas
de Superviso e Aquisio de Dados (SCADA - Supervisory Control and Data Acquisition)
incorporando uma interface homem-mquina (IHM) mais amigvel com o usurio que permitia
atuar em setpoints, ajustar parmetros do controlador e acompanhar eventos e alarmes ocorridos
no processo, alm de armazenar as variveis de processo em tempo real e disponibilizar os dados
histricos para futuro acesso.
O computador digital moderno possui uma flexibilidade significativamente maior em
relao aos dispositivos de controle pneumticos e analgicos, tendo sido desenvolvido para ser
um dispositivo programvel com caractersticas de operao e programao relativamente simples
para aqueles que conhecem os fenmenos fsico-qumicos envolvidos no processo. Isso trouxe uma
simplificao em relao s tecnologias anteriores, pois o desenvolvimento de lgicas avanadas
de controle exigia um conhecimento prvio de conceitos de mecnica e/ou eltrica. Alm desta
vantagem, o computador digital possui uma maior capacidade de manipulao numrica, permitindo,
em princpio, clculos computacionais de alta complexidade. Uma das suas desvantagens a
velocidade do seu ciclo de processamento, em comparao velocidade do ciclo de processamento
de um controlador industrial. Um controlador industrial pode executar o seu ciclo de tarefas
(monitorar uma varivel de um elemento transmissor de medida, compar-la ao valor de referncia,
calcular o valor a ser enviado para interferir no processo e disponibiliz-lo para um elemento de
atuao) em um intervalo na ordem de milissegundos, enquanto um computador pessoal trabalha
com ciclos na ordem de segundos (VALDMAN, A, 2000).
O computador digital foi desenvolvido para executar tarefas computacionais em paralelo,
mas no consegue dar prioridade quelas que so definidas como essenciais para o usurio.
Portanto, do ponto de vista do micro-computador, o movimento do mouse pode ser considerado
to importante quanto controlar uma varivel de processo. O desenvolvimento e constante
aprimoramento do computador digital, tanto em termos de tamanho fsico, quanto em termos de
capacidade de processamento, foi o fato precursor do salto tecnolgico disponvel rea de
automao industrial. Alm disso, a evoluo das tecnologias de comunicao, influenciou mudanas
estruturais significativas nos sistemas de automao industrial (JAMSA-JOUNELA, 2007),
conforme apresentado na Figura 2.1.

1935 1940 1945 1950 1960 1968 1980 1994 2000 2010 Tempo
controle transmisso
controladores digital (menos
manual analgicos computador digital, suscetvel a rudos);
incio dos (transistores) e agregando funes agrega inteligncia
registradores amplificadores dispersas; em relao a varivel
grficos de sinal sistemas SCADA de processo
Instrument
Society of popularizao malhas de
controle feedback primeira
America
planta
ISA controladores lgicos fieldbus
sistema de controle (rel eletromecnico),
computadorizado controle on-off e sequenciado;
(aquisio, monitoramento controladores single-loop
e clculos offline) e multi-loop
Figura 2.1. Evoluo tecnolgica da automao industrial
Ogunnaike (1996) ressalta que a transmisso digital, em analogia tecnologia analgica,

tambm eltrica. No entanto, como a transmisso de informao feita atravs de um sistema
de nmeros binrios, ela torna-se significativamente menos suscetvel a rudos, em comparao
tecnologia desenvolvida anteriormente. Portanto, acompanhando o salto tecnolgico introduzido
com a popularizao dos computadores digitais, os transmissores atualmente desenvolvidos
disponibilizam a varivel de processo em tempo real, atravs de um sinal digital. A possibilidade
da miniaturizao destes dispositivos eltrico-eletrnicos e dos computadores digitais portteis
tambm permite a incorporao dos prprios dispositivos de controle no mesmo equipamento
que realiza as funes de transmisso, permitindo correes cada vez mais imediatas e precisas
no processo em funo de desvios medidos.
A importncia da interao entre o desenvolvimento da automao industrial para processos
contnuos e o desenvolvimento industrial em si pode ser exemplificada atravs de uma breve
anlise da histria da indstria petroqumica. Uma breve comparao entre a histria do desen-
volvimento da indstria petroqumica no Brasil e o desenvolvimento tecnolgico do mercado de
automao industrial permite observar que esse setor industrial contribuiu significativamente para
alavancar o mercado brasileiro de automao, principalmente no final da dcada de 90. Em
contrapartida, o avano tecnolgico obtido no setor de automao permitiu uma acelerao no

desenvolvimento de novas tecnologias de processamento contnuo. interessante observar, que

no incio dos anos 90, mesmo quando a indstria petroqumica passava por um perodo de
estagnao, foi feito um estudo setorial do mercado brasileiro de automao industrial apresentando
uma projeo para os quatro anos seguintes, indicando-a como a segunda maior consumidora do
mercado de automao industrial (TEIXEIRA, 1992).
O nmero crescente de unidades de refino e parques petroqumicos industriais, vrios
dos quais utilizam tecnologias inovadoras de refino que permitem o processamento de petrleos
mais pesados encontrados nos campos de explorao brasileiros, comprova a importncia
dedicada a este setor. Tendo em vista que estes novos processos so bastante complexos
operacionalmente, com faixas de trabalho estreitas para a garantir a qualidade do produto final
e diminuir os prejuzos ambientais, o desenvolvimento da rea de conhecimento que engloba
o diagnstico de falhas da instrumentao utilizada em controle de processos vem se tornando,
cada vez mais, essencial para a viabilidade industrial destas novas tecnologias.
Um estudo realizado em 2003 pela Intechno Consulting (Basel, Sua) apresenta uma
projeo do mercado de automao de processos industriais para os anos de 2005 e 2010. A
taxa mdia de crescimento anual para este mercado de 5,1%, identificando a maior demanda
para as indstrias qumicas. Em 2000, apenas 39,3% dos equipamentos de automao vendidos
atendiam s funes de controle de processos, contra 60,7% dedicados aos equipamentos de
campo, incluindo sensores, medidores, transmissores e atuadores (SCHROEDER, 2003). A
inteligncia necessria para a execuo das tarefas relacionadas ao controle de processos est
sendo deslocada na direo do campo e os equipamentos e sistemas de controle esto se tornando
mais baratos, transformando-se nitidamente em commodities (JAMSA-JOUNELA, 2007).
Conforme observado, a automao de processos industriais contnuos tomou forma na
primeira metade do sculo 20, com desenvolvimento mais intenso a partir dos anos 60, exercendo
grande influncia nas transformaes sofridas pelos mtodos de operao e superviso de plantas
industriais. Esse quadro promissor e evolutivo da automao aplicada a controle de processos
industriais j evidenciava a necessidade do desenvolvimento de sistemas robustos e eficientes de
deteco de falhas, garantindo a qualidade da informao e, consequentemente, da interveno
operacional automtica.
Ao final da primeira dcada do sculo XXI, a tecnologia digital havia sido definitivamente
incorporada ao mercado de automao industrial, com todas as suas vantagens e desvantagens.
Em permanente evoluo, os fabricantes de instrumentao continuam desenvolvendo novos
dispositivos, buscando diminuir as limitaes apresentadas pela tecnologia anterior, com o intuito
de oferecer equipamentos robustos de alto valor agregado. Estes dispositivos so chamados IEDs

(Intelligent Eletronic Devices) e podem incorporar as funes de aquisio de dados, transmisso de

dados a outros dispositivos (incluindo informaes intrnsecas ao funcionamento do equipamento),
controle de processos contnuos, intertravamento (on-off) e algoritmos de clculo (BAILEY;
WRIGHT, 2003). Os sensores, por exemplo, dispositivos tradicionalmente utilizados apenas
para medio, incorporaram as tarefas de monitorao e manuteno, obrigando a substituio
da estrutura hierrquica tradicional por uma arquitetura de comunicao distribuda.
Alm disso, a maior parte dos processos envolvidos em uma indstria qumica ou petro-
qumica conduzida continuamente, definindo um grupo de caractersticas e metas operacionais
de performance caractersticas. Atualmente, a instrumentao oferecida pelo mercado de automao
para atender especificamente s demandas de processos industriais contnuos utiliza a tecnologia
fieldbus. Os novos parques industriais qumicos e petroqumicos j exigem essa tecnologia como
sendo padro para seus projetos de instrumentao e, tendo em vista o salto na quantidade de
informao e de inteligncia em relao s tecnologias anteriores, as indstrias que foram instaladas
sem esse padro esto migrando e adaptando a instrumentao de suas plantas para utilizar a
tecnologia fieldbus.
A instrumentao fieldbus, alm de agregar inteligncia em relao varivel de processo
associada a ela, est mais efetiva em diagnosticar sua prpria integridade, indicando, por exemplo,
quando o valor monitorado est fora dos limites esperados, se o sensor est com defeito, etc.
A prxima etapa ser a ampliao dessa capacidade de diagnstico, incluindo o diagnstico do
processo no qual est inserido. Em paralelo, os sistemas supervisrios mantiveram as tarefas de
aquisio e armazenamento de dados, gerenciamento de alarmes e interface homem-mquina.
Os sistemas especialistas, responsveis pelo controle avanado e as funes de diagnstico de falhas
mais complexas, constituem uma outra camada na hierarquia de tarefas envolvidas em automao
industrial, conforme apresentado na Figura 1.1.
2.2.2 Instrumentao de uma Malha de Controle Contnuo

A instrumentao utilizada em uma malha de controle contnua determinada pelas
caractersticas especficas dos processos envolvidos na indstria da transformao: processos
contnuos na linha de produo (excetuando paradas para manuteno); sequenciamento nas
etapas de transformao (o produto de uma unidade matria prima da outra); exigncia de
ambientes sob temperatura e presso extremas; variao na composio da matria-prima; grande

flutuao do mercado consumidor, aumentando a flexibilidade das rotas produtivas; grandes

distncias entre os pontos de medio.
A grande complexidade destes processos industriais, at o oferecimento de produtos ao
mercado consumidor, exige um alto nvel de conhecimento do comportamento fsico-qumico e
mecnico da planta para manter os ndices de controle dentro das rgidas especificaes industriais.
O conhecimento do processo possvel atravs de medidas de variveis de processo online. O
controle deste mesmo processo aprimorado atravs de anlises sistemticas destes dados e
posterior utilizao dos mesmos para definir novos mtodos de atuao.
As variveis mais comuns para acompanhamento de processos so temperatura, presso,
vazo, nvel, entre outras propriedades fsicas. A instrumentao industrial comercial disponvel
no mercado atualmente para o monitoramento on-line destas variveis j amplamente difundida
no meio industrial e aplicada com sucesso em estratgias de controle de processos, das malhas
mais simples s malhas mais complexas. A padronizao dos sinais eltricos emitidos por
estes sensores/transmissores, gerenciados pelos controladores e recebidos pelos elementos de
atuao, permite ainda a interconexo de equipamentos de diferentes fabricantes sem grandes
limitaes ou dificuldades (VALDMAN, B; FOLLY; SALGADO, 2008).
Para uma melhor compreenso das transformaes ocorridas durante a evoluo natural da
instrumentao citada anteriormente, a Figura 2.2 apresenta um esquema bsico da instrumentao
analgica utilizada em uma malha de controle contnuo, especificando a caracterstica de troca de
informao entre cada elemento, transmitindo ou recebendo uma informao atravs de um sinal
padronizado.
Campo Sinal Fsico-Qumico: Sinal Eletro-Mecnico:

Temperatura, Presso, Abertura de Vlvula,
Concentrao. Processo Rotao de Motor,
Potncia de Aquecimento, etc.
Sensor Atuador
Sinal Eltrico:
Sinal Eltrico:
4 a 20mA;
mV, Ohms
0 a 20mA.
Sinal Eltrico:
4 a 20mA;
Transmissor 0 a 20mA.
Controlador
Sinal Eletrnico:
RS-232, RS-485, etc.;
Sinal Digital:
Ethernet, High Speed Ethernet (HSE), etc.
Computador
Sala de Controle
Figura 2.2. Esquema bsico da instrumentao analgica utilizada em uma malha de controle contnuo

Uma malha de controle contnuo utilizando a instrumentao analgica constituda

basicamente pelos seguintes elementos:
Sensor Elemento de Medida Mede a varivel de processo, convertendo o valor medido

em um sinal eltrico;
Transmissor Elemento de Transmisso Recebe a varivel de processo convertida em
sinal eltrico do sensor e transmite o valor convertido em um sinal padro (sinais
contnuos: 4 a 20 mA; 0 a 20mA);
Controlador Elemento de Controle Recebe a varivel de processo convertida em sinal
padro do transmissor, analisa a estratgia de controle previamente configurada e envia a
ao corretiva ao atuador em um sinal padro (sinais contnuos: 4 a 20 mA; 0 a 20mA);
Atuador Elemento de Atuao Recebe a varivel de ao corretiva enviada pelo
controlador atravs de um sinal padro e converte este sinal em um sinal eletromecnico
capaz de interferir no processo, conforme suas caractersticas operacionais (sinais
contnuos: 4 a 20 mA; 0 a 20mA; 0 a 15 psi);
Computador Elemento de Monitorao e Superviso Tem acesso aos sinais
eletro-eletrnicos, gerenciados pelo controlador atravs de um protocolo de comunicao
padro, converte estes sinais em unidades de engenharia conforme as faixas de calibrao
dos sensores/transmissores, apresentando os resultados na tela, alm de enviar, normalmente
sob demanda do operador, um sinal eletrnico padro para atuar no processo.
A Figura 2.2 apresenta a disposio de instalao destes instrumentos, atualmente ainda

muito utilizada em indstrias, principalmente naquelas que foram implementadas no incio
dos anos 2000, antes da consolidao da tecnologia fieldbus. Enquanto os elementos de medida,
transmisso e atuao esto localizados no cho de fbrica, acoplados diretamente ao processo,
o computador est na sala de controle, distante fisicamente dos demais. O controlador, dependendo
das suas caractersticas ou das caractersticas do projeto de automao adotadas, pode estar
localizado no campo ou na sala de controle.
A insero da atual tecnologia de transmisso digital incorporada instrumentao fieldbus,
introduziu mudanas conceituais nesse esquema bsico, permitindo o agrupamento de algumas
funes primordiais em um nico equipamento. Nesta tecnologia, conforme pode ser visto no
esquema anlogo apresentado na Figura 2.3, a informao vem sendo distribuda no campo e cada
instrumento passa a ter uma unidade central de processamento (CPU central processor unit)
embutida, que pode conter algoritmos de controle, alm de armazenar valores histricos, fazer
testes e mudar status de medio (GERENCIAMENTO, 2006).
Campo Sinal Fsico-Qumico: Sinal Eletro-Mecnico:

Temperatura, Presso, Abertura de Vlvula,
Concentrao. Processo Rotao de Motor,
Potncia de Aquecimento, etc.
Sensor Atuador
Sinal Eltrico: Sinal Digital:
mV, Ohms Fieldbus
Transmissor / Controlador /
Controlador Transmissor
Transmissor Fieldbus Posicionador Fieldbus
Sinal Digital:
Ethernet , HSE , Profibus , Fieldbus , etc.
Computador
Sistema Supervisrio
Sala de Controle
Figura 2.3. Esquema da instrumentao fieldbus utilizada em uma malha de controle contnuo
Uma malha de controle contnuo utilizando a instrumentao fieldbus constituda

basicamente pelos seguintes elementos:
Sensor Elemento de Medida Mede a varivel de processo, convertendo o valor medido

em um sinal eltrico;
Transmissor Fieldbus Elemento de Transmisso/Controle Recebe a varivel de

processo convertida em sinal eltrico do sensor, converte estes sinais em unidades de
engenharia de acordo com as faixas de calibrao dos sensores configuradas e disponibiliza
o valor convertido a unidade de engenharia na rede fieldbus/ethernet, atravs de um sinal
digital padro definido pela organizao internacional Fieldbus Foundation.
Posicionador Fieldbus Elemento de Transmisso/Atuao Recebe a varivel de ao

corretiva enviada pela funo responsvel pela ao de controle, internamente atravs
de um sinal digital ou externamente atravs da rede fieldbus, e converte este sinal em um
sinal eletromecnico capaz de interferir no processo, conforme suas caractersticas
operacionais (sinais contnuos: fieldbus);
Computador Elemento de Monitorao e Superviso Tem acesso aos sinais gerenciados

pelos transmissores fieldbus atravs de um protocolo de comunicao padro definido
pela Fieldbus Foundation, apresenta os resultados na tela e armazena dados histricos,
alm de enviar, normalmente sob demanda do Operador, um sinal fieldbus padro
para interferir no processo (incluindo todos parmetros e variveis de controle).

Observa-se que, em relao tecnologia anterior, o elemento sensor permaneceu o mesmo,

enquanto o elemento controlador foi aquele que mais sofreu modificaes. O elemento de controle,
responsvel pelas funes de controle, no existe mais isoladamente, pois estas funes foram
incorporadas aos elementos de transmisso ou de atuao.
O elemento de transmisso/controle atual, o transmissor fieldbus, tem a capacidade de
exercer as funes de controle, antes exclusivas a um controlador externo. Este transmissor pode
utilizar a varivel de processo como entrada para uma malha PID, para mdulos de algoritmos
de clculo, para mdulos de diagnstico de falhas, etc. Em paralelo, o elemento de transmis-
so/atuao atual, o posicionador fieldbus tambm tem a mesma capacidade, permitindo ao usurio
escolher onde deseja implementar o controlador, em funo das caractersticas da malha configurada.
No entanto, no caso dos elementos de atuao, mais recentes no mercado, ainda comum
a utilizao de uma combinao de tecnologias: um transmissor fieldbus associado a um posicio-
nador analgico ou pneumtico. Neste caso, este transmissor fieldbus funciona como um conversor,
mas mantm todas as funes de manipulao de varveis citadas para o posicionador fieldbus.
Dentre as vantagens operacionais preliminares adquiridas com a nova tecnologia, encontra-se
a reduo nos esquemas de cabeamento eltrico, pois enquanto a tecnologia anterior exigia um
par de fios para cada transmissor conectado ao controlador, a tecnologia fieldbus exige apenas
um par de fios conectando todos os transmissores em paralelo sala de controle. Outra vantagem
a ser considerada, o acesso em tempo real a variveis auxiliares, permitindo um acompanhamento
mais consistente do comportamento da instrumentao alocada na planta, como, por exemplo,
as informaes de diagnstico dos sensores, malhas de controle e elementos de atuao. Dentre
as desvantagens, encontra-se um aumento significativo na complexidade da etapa de definio
da configurao a ser implementada, pois a utilizao das funes adicionais compulsria e
depende da estratgia de controle definida para a rede fieldbus como um todo, e a falta de mo
de obra tcnica especializada para desenvolv-la, pois requer um conhecimento de conceitos
tericos prvios bastante diferentes daqueles utilizados na tecnologia anterior. A utilizao
dessa nova tecnologia est gerando um crescimento de at duas ordens de grandeza no volume
de informao que trafega entre o campo e a sala de controle, aumentando o conhecimento em
tempo real das condies tcnicas dos dispositivos de medio e controle e, portanto, sobre o
processo produtivo. O desafio est em como usar esta informao, transformando esse volume
de dados em informao til e gerando mecanismos de deciso capazes de realimentar o processo
e torn-lo cada vez mais eficiente e confivel (GERENCIAMENTO, 2006).
Em plantas com caractersticas mais especficas como, por exemplo, plantas petroqumicas
e de bioprocessos, onde a produtividade depende fortemente da cintica qumica e bioqumica

das reaes envolvidas e/ou do nvel de pureza e assepsia do produto obtido, a utilizao dos
instrumentos mencionados acima auxilia na manuteno do andamento do processo, mas limita
as possibilidades das aes de controle. Em funo desta limitao, pesquisadores do mundo inteiro
vm aprimorando tambm novas tcnicas de medio online.
A instrumentao disponvel na caldeira industrial, movida a leo combustvel, instalada
no LADEQ/EQ/UFRJ, utilizada no presente trabalho para aplicao do mtodo de diagnstico de
falha, utiliza a tecnologia fieldbus para monitorar as variveis de processo, em comunicao com
um sistema supervisrio para acompanhar, armazenar e tratar dados em tempo real.
2.2.3 Terminologia Diagrama P&I

Os fluxogramas de processo e instrumentao so chamados de diagramas de instrumentao
e processos (P&I piping and instrumentation). A padronizao dos smbolos e tags de
identificao da instrumentao utilizada segue as normas elaboradas pela American National
Standards Institute(ANSI) em parceria com a International Society of Automation (ISA) (ISA,
1992). Os principais elementos apresentados nestes diagramas so representados por uma
simbologia grfica, sendo identificados atravs de um cdigo contendo caracteres numricos e
alfanumricos (HARROLD, 2000).
A Tabela 2.1 apresenta um exemplo dos principais elementos grficos utilizados, que
permitem identificar tambm as principais funes executadas pelos instrumentos e sua localizao
na planta. As variveis de processo so identificadas por crculos, as variveis controladas ou
monitoradas so representadas por um crculo inserido em um quadrado e as variveis calculadas
so representadas por um hexgono. A linha horizontal no meio do smbolo representa a
localizao do instrumento representado, no campo ou cho de fbrica ou em painis acessveis
ao operador.
Tabela 2.1. Simbologia de diagramas P&I
Acessvel ao operador Localizado no Campo

Instrumentos indicativos de
variveis de processo
Variveis monitoradas e/ou
controladas
Variveis calculadas
Fonte: ISA, 1992

A identificao destes smbolos representada atravs de abreviaes contendo letras e

nmeros, em sequncia. A Tabela 2.2 apresenta um exemplo das principais letras de identificao
utilizadas em instrumentao industrial. A primeira letra identifica a caracterstica da varivel de
processo associada, enquanto que as demais identificam as caractersticas funcionais do prprio
instrumento. A sequncia de nmeros apresentada logo aps as letras segue uma padronizao
definida pelo usurio, mas identifica, principalmente, o setor da planta industrial ao qual se aplica
o instrumento (VALDMAN, B; FOLLY; SALGADO, 2008).
Tabela 2.2. Identificao de diagramas P&I
Primeira Letra Demais letras em sequncia
Modificaes Funes de Funes de

Varivel de Processo Modificaes
sofridas display Sada
A Analise Alarme
C Controle
D Diferencial
Sensor (elemento
E Voltagem
primrio)
F Vazo Razo
H Manual Alto
I Corrente eltrica Indicao
L Nvel Luz Baixo
Ponto (teste de
P Presso
conexo)
Integrao,
Q Quantidade
totalizao
T Temperatura Transmisso
Vibrao, anlise Vlvula,

V
mecnica damper
Fonte: ISA, 1992
As tabelas completas contendo os smbolos representativos de equipamentos e de linhas

comunicao e as letras de identificao de um diagrama P&I foram elaboradas pela ISA e
podem ser encontradas na norma ANSI/ISAs S5.1-1984 (R 1992) (ISA, 1992).

2.3 Deteco e Diagnstico de Falhas

O atual estado da arte da rea de controle de processos contnuos industriais aplicado a
plantas em tempo real concentra-se, basicamente, na aplicao de malhas de controle feed-back,
cascata, feedforward, acopladas ou no a malhas de controle avanado (preditivo ou model
predictive controller (MPC), etc.). Em comparao com as primeiras tcnicas de controle de
processos, a teoria moderna de aplicao de sistemas e sinais dinmicos permitiu uma melhor
controlabilidade de processos, cujo alto grau de complexidade comportamental dificultava a
utilizao de tcnicas mais bsicas (ISERMANN, 2006).
Sendo assim, o resultado bem sucedido da ao de controle est diretamente associado a
uma estreita relao de dependncia entre sensores, controladores e atuadores. Considerando que
os operadores foram removidos do processo e que eles eram os nicos elementos capazes de detectar
qualquer mal-funcionamento do sistema e interferir para a manuteno da produtividade, torna-se
essencial incluir ferramentas robustas de superviso a esse sistema. Essas funes de superviso
esto uma hierarquia acima do sistema de controle propriamente dito, e caracterizam um sistema
de gerenciamento e diagnstico de falhas capaz de informar ao operador as falhas encontradas
em processos menos crticos e ativar elementos redundantes em processos considerados crticos.
As funes de superviso disponveis por um sistema de automao aplicado a um processo
industrial tm o propsito de indicar as situaes anormais de operao, alm de tomar as aes
corretivas adequadas, mantendo a operao da planta dentro de limites desejados, evitando prejuzos
e acidentes. As principais tarefas destes sistemas so (ISERMANN, 1997):
Monitoramento as variveis de processo medidas so acompanhadas, gerando

alarmes ao operador ao ultrapassar determinados limites de tolerncia;
Proteo automtica ao atingir um estado de processo considerado perigoso, a funo

de monitoramento inicia automaticamente um procedimento adequado contrrio falha;
Superviso com diagnstico de falha indicadores so calculados baseados nas variveis

de processo medidas, a deteco de desvios gera uma informao sintomtica, o
diagnstico de falha efetuado e so tomadas decises de ao contrria falha.
Em funo dessas caractersticas e da evoluo natural da tecnologia utilizada em automao

industrial, Isermann (ISERMANN, 2006) define alguns dos principais objetivos a serem alcanados
por um sistema de diagnstico de falhas, conforme listado a seguir.

Detectar antecipadamente pequenas falhas, devido ao comportamento abrupto ou

incipiente da varivel;
Diagnosticar falhas em sensores, atuadores, no processo e seus componentes, em malha
aberta ou fechada;
Permitir a superviso de processos em estado transientes;
Permitir a realizao de tarefas de manuteno e o reparo, baseadas em condies de
processo;
Auxiliar no controle de qualidade de alta preciso em produtos manufaturados;
Detectar e diagnosticar falhas remotamente;
Fornecer fundamentos para gerenciamento de falhas;
Fornecer fundamentos para sistemas re-configurveis e tolerantes falha.
2.3.1 Evoluo Natural

A apresentao do histrico do desenvolvimento de mtodos de superviso, deteco e
diagnstico de falha difcil porque as contribuies originais esto bastante distribudas na
literatura. A verificao de limites operacionais um mtodo utilizado provavelmente desde a poca
de incio da automao de mquinas, no final do sculo XIX. Em torno de 1935, a superviso
de plantas industriais comeou a ser feita sistematicamente atravs do uso de registradores de
pena e, a partir dos anos 60, surgiram os controladores analgicos conectados a amplificadores
de sinal transistorizados atravs de fios eltricos (ISERMANN, 2006). Independente da evoluo da
tecnologia aplicada a automao industrial, com suas novas tecnologias de transmisso, o mtodo
de verificao de falhas atravs da comparao da varivel de processo com limites operacionais
permaneceu como sendo uma das poucas opes de identificao de desvios e falhas ocorridas
no processo.
Os primeiros sistemas de diagnstico consistiam em verificar se as variveis de processo
esto dentro de limites operacionais previamente definidos e qualquer no conformidade era
apresentada ao operador na forma de um alarme. Na maioria das aplicaes, essas tcnicas
eram suficientes para evitar grandes falhas ou prejuzos. No entanto, este tipo de falha quase
sempre detectado sem tempo hbil para interferir no processo e no apresenta detalhes da mesma
que permitiram uma melhor identificao do motivo que a ocasionou. Neste sentido, vrios
pesquisadores vm trabalhando sistematicamente na aplicao de modelos matemticos e estatsticos,

modelos de identificao e estimativa e modelos de inteligncia computacional para desenvolver

mtodos avanados de deteco e diagnstico de falhas.
Somente a partir de 1960, acompanhando a introduo dos computadores para monitorao
e operao online das plantas industriais, comearam a surgir ferramentas de acompanhamento de
falhas no processo baseadas em mtodos de anlise de tendncia, significativamente mais elaboradas
do que a mera verificao de limites (ISERMANN, 2006).
Os primeiros artigos abordando o desenvolvimento de ferramentas para diagnstico de
falhas atravs de mtodos baseados em modelos de processo surgiram nos anos 70, aplicados
a motores da indstria aeronutica, devido ao seu alto risco operacional. Apenas no final dos
anos 70, Himmelblau (HIMMELBLAU, 1978) publicou o primeiro livro sobre mtodos de
diagnstico de falha aplicados a processos qumicos e petroqumicos.
Portanto, as primeiras abordagens do assunto consistiam em verificar a consistncia dos
valores medidos atravs da sua comparao com balanos de massa e energia da planta. Um dos
primeiros exemplos industriais para estas aplicaes foi a utilizao do mtodo para relacionar
os resduos numricos destas comparaes com a deteco de vazamentos (ISERMANN, 2006).
Historicamente, no entanto, a maioria das aplicaes envolvendo ferramentas de diagnstico
baseados em modelos est voltada a sistemas aeroespaciais, eltricos e mecnicos, enquanto as
ferramentas de diagnstico baseados em dados de processo so mais adequadas a processos
qumicos, devido dificuldade em obter modelos fidedignos e natureza no linear inerente a
estes processos (ZHANG; JIANG, 2008).
Em 1957, foi criada a International Federation of Automatic Control (IFAC), uma comisso
europeia formada por 18 pases, com o objetivo de consolidar o intercmbio de informaes
sobre o assunto, favorecendo um avano tecnolgico na rea, alm de organizar congressos
tcnicos internacionais (ISERMANN, 2008). Em 1980, em funo do aumento de interesse nesta
rea de conhecimento evidenciado pela evoluo natural dos artigos tcnicos apresentados, a IFAC
criou o comit tcnico SAFEPROCESS, voltado rea de deteco de falhas, superviso e
segurana de processos (IFAC, 2010). Esta comisso, em 1997, props uma terminologia para
consolidar as diferentes abordagens do assunto de forma a padronizar a nomenclatura utilizada
em artigos tcnicos. Recentemente, pesquisadores brasileiros propuseram uma traduo desta
terminologia, adequando-se rea de conhecimento de monitorao e controle de processos
(SARTORI, 2010; SARTORI et al, 2010).
Entre 1989 e 2005, foi feito um levantamento sobre o estudo de mtodos de diagnstico
do desempenho de malhas de controle, envolvendo 85 publicaes tcnicas (entre teses e artigos
tcnicos), onde 60% destas aplicaes estavam sendo realizadas em indstrias de processo

contnuo (JELALI, 2006). Em 2005, Torres e Hori (TORRES; HORI, 2005) apresentaram o
resultado da anlise de desempenho de 25 das 6000 malhas de controle implementadas no
setor de separao de leo, gs e gua de uma indstria petrolfera. Dentre os diversos critrios
analisados, 20% das malhas auditadas estavam em manual, 64% oscilavam grande parte do
tempo, 68% saturavam em algum momento e 12% apresentavam problemas nas vlvulas de
controle.
Recentemente, trabalhos vm sendo desenvolvidos na EQ/UFRJ aplicando tcnicas de
deteco e diagnstico de falhas a processos simulados (CARELLI; DE SOUZA JR., 2009a, 2009b;
CORREIA DA SILVA et al, 2009; DE SOUZA JR., CAMPOS, TUNALA, 2009) ou a plantas
industriais. Entre as aplicaes industriais desenvolvidas, Mendona e colaboradores (MENDONA,
CAMPOS, DE SOUZA JR., 2009) implementaram ferramentas de apoio operacional em uma
unidade de processamento de gs natural e Castro (CASTRO, 2009) empregou dados reais em
uma unidade de hidrotratamento de diesel.
Torna-se clara, portanto, a preocupao de confiabilidade e acurcia das informaes
disponibilizadas pelos sensores e atuadores, uma vez que qualquer medida corretiva, seja ela
feita pelo equipamento ou pelo homem, depende delas. Em 2007, a dificuldade em gerenciar
situaes anormais de operao causou um prejuzo estimado de 20 bilhes de dlares
indstria petroqumica americana (JAMSA-JOUNELA, 2007).
2.3.2 Classificao
Atualmente, os mtodos de diagnstico de falhas aplicados a processos qumicos industriais
podem ser classificados em duas categorias principais: os mtodos baseados em modelos e os
mtodos baseados em dados de processo (VENKATASUBRAMANIAN et al, 2003a, 2003b). O
desenvolvimento de mtodos baseados em modelos exige um conhecimento matemtico prvio do
processo. Analogamente, o desenvolvimento de mtodos baseados em dados de processo no exige
uma modelagem inicial do processo e tem como vantagem para a aplicao industrial a utilizao dos
valores disponibilizados pela instrumentao. Estes mtodos podem ser divididos em duas
categorias distintas: qualitativos (mtodos matemticos baseados em modelos heursticos)
(VENKATASUBRAMANIAN; RENGASWAMY; KAVURI, 2003), ou quantitativos (algoritmos
de redes neuronais e mtodos estatsticos multivarivel) (VENKATASUBRAMANIAN et al, 2003a,
2003b). Cada uma dessas categorias pode ser ainda subdividida de acordo com o mtodo matemtico
utilizado. A Figura 2.4 apresenta um mapa de classificao dos mtodos citados na literatura.

Mtodos de Deteco e
Diagnstico
Mtodos baseados em Mtodos baseados em

Modelos Dados de Processo
Mtodos Mtodos
Quantitativos Qualitativos
Estatstica Redes Sistemas Reconhecimento Anlise de

Neuronais Especialistas de Padres Tendncia
Lgica Anlise de
PCA/PLS Classificao Fuzzy Frequncia e
Tempo/Frequncia
Fonte: ZHANG; JIANG, 2008.
Figura 2.4. Classificao dos mtodos de diagnstico baseados em dados de processo
Os dados de processo podem ser transformados e apresentados a sistemas de diagnstico

como conhecimento a priori de vrias formas diferentes. Esse processo de extrao de informaes
pode ser de natureza qualitativa ou quantitativa. Dois dos mais utilizados mtodos para extrao
de informao qualitativa a partir de dados de processo so os sistemas especialistas e os mtodos de
anlise de tendncia (CHIANG; RUSSELL; BRAATZ, 2001). Por outro lado, os mtodos que
obtm informao quantitativa podem ser classificados como estatsticos e no estatsticos,
onde as redes neuronais so muito utilizadas. Os mtodos estatsticos mais utilizados so a anlise
dos componentes principais (PCA) ou o mtodo dos mnimos quadrados parciais (PLS) e a
classificao por padres (VENKATASUBRAMANIAN et al, 2003b).
A abordagem quantitativa utilizada para diagnosticar falhas baseia-se a formulao da
soluo em problemas de reconhecimento de padres. O objetivo do reconhecimento de padres
a classificao dos dados de processo em situaes pr-determinadas. Atravs da consolidao
prvia da distribuio de determinadas categorias, representando determinadas situaes operacionais
do processo, os mtodos estatsticos enquadram os dados de processo em uma dessas categorias.
Por outro lado, abordagens como a PCA extraem informao das tendncias mais significativas
obtidas a partir dos dados de processo, atravs da utilizao de um pequeno nmero de fatores
relevantes (VENKATASUBRAMANIAN et al, 2003b).

2.3.3 Terminologia
Segundo Isermann (1997), o sistema de diagnstico de falha deve exercer duas funes
sequenciais bsicas: a deteco da ocorrncia de uma falha e a identificao de suas caractersticas
inerentes, tais como localizao, dimensionamento da falha e instante de tempo da ocorrncia.
Os sintomas detectados a partir das variveis de processo medidas podem ser classificados,
atravs da utilizao, por exemplo, de mtodos estatsticos, e comparados a um mapa de vetores
de falha, determinado previamente, para identificao final.
A deteco bem sucedida de uma condio de falha do processo exige, portanto, o conhe-
cimento profundo da planta e do processo analisado. Considerando que as falhas so detectadas
em funo dos desvios das variveis de processo, o comit SAFEPROCESS, da IFAC sugeriu
a padronizao de uma terminologia a ser utilizada para descrever as vrias instncias envolvidas
no assunto (ISERMANN; BALLE, 1997). Em 1994, a Associao Brasileira de Normas Tcnicas
(ABNT) publicou um documento propondo a traduo para o portugus de uma terminologia
anloga proposta pelo International Eletrotechnical Commision (IEC), uma comisso mais voltada
rea de manuteno.
Atualmente, a rea de diagnstico de falhas vem sendo cada vez mais utilizada nas
reas de operao e controle industrial como uma ferramenta de monitoramento e controle de
processos. Tendo em vista essa mudana de paradigma, em 2010, Sartori e colaboradores (2010)
propuseram uma terminologia em portugus mais adequada, baseada no confronto da terminologia
inglesa proposta por vrios autores. A Tabela 2.3 apresenta a traduo de alguns termos definidos
por esta terminologia, incluindo os nomes originais em ingls propostos por Isermann e Balle (1997).

Tabela 2.3. Terminologia utilizada em sistemas de diagnstico de falhas
Anlise do Sinal Descrio
Evento de Falha Interrupo total ou parcial, em determinadas condies operacionais, da

Ocorrncia
(Failure) capacidade do sistema em executar uma funo
Mau
Irregularidade intermitente, ou no, em relao ao cumprimento de uma
funcionamento
funo desejada do sistema
(Malfunction)
Sintoma Estado
Estado de Falha Desvio no permitido de pelo menos uma propriedade ou parmetro

(Fault) caracterstico do sistema, em relao condio normal de operao
Erro Desvio entre um valor medido, ou calculado, e o seu valor verdadeiro,

(Error) especificado previamente ou teoricamente calculado
Distrbio Ocorrncia de uma condio de entrada desconhecida e fora de controle

(Disturbance) interferindo no sistema
Tipo
Perturbao Ocorrncia de uma condio de entrada interferindo no sistema, resultando

(Perturbation) em um desvio temporrio do estado corrente
Funes Descrio
Deteco
Deteco de Falha Determinao da presena de uma falha no sistema e do tempo de deteco
Determinao do tipo, a localizao e o tempo de ocorrncia da falha,

Diagnstico
Isolamento da Falha
identificando o estado de falha existente
Identificao da Detalhamento da falha (definio do tamanho, da causa, do

Falha comportamento com o tempo, dentre outros)
Correo
Tomada de aes apropriadas, de forma automtica ou no, para

Correo da Falha
restabelecer a capacidade do sistema de desempenhar a funo requerida
Fontes: ISERMAN;BALLE, 1997; SARTORI, 2010; SARTORI et al, 2010.

2.4 Redes Neuronais

As redes neuronais so um paradigma computacional composto por unidades processadoras,
ou neurnios, que interagem localmente atravs das mltiplas conexes entre um neurnio e
outro. Estes modelos so identificados atravs de uma arquitetura, especificada pela caracterstica
funcional dos neurnios, pela topologia da rede e pelo algoritmo de treinamento utilizado
(HOSKINS; HIMMELBLAU, 1988). Os neurnios utilizados em redes neuronais artificiais
foram definidos em analogia aos neurnios encontrados em organismos biolgicos humanos.
Sendo assim, as redes neuronais constituem uma metodologia com capacidade de aprender e
reconhecer padres operacionais (BAGAJEWICZ, 2001).
Uma rede neuronal um processador paralelamente distribudo constitudo de unidades de
processamento simples, que tem a propenso natural para armazenar conhecimento experimental e
torn-lo disponvel para o uso (HAYKIN, 2001). Portanto, todos os neurnios executam sua
parcela computacional simultaneamente, onde cada um deles recebe continuamente p estmulos
externos e possui um limite de ativao inerente, gerando uma sada em funo deste limite.
Os elementos bsicos de um neurnio podem ser vistos na Figura 2.5, apresentando a
transformao dos estmulos em uma informao, atravs do recebimento dos sinais de entrada,
da respectiva ponderao pelas sinapses, da adio ocorrida dentro do elemento principal e da
restrio na amplitude de sada de acordo com a funo de ativao do mesmo.
sinais de pesos
entrada sinpticos bias
j,k+1
x1,i,k wk,j,1
Funo de
ativ ao
x2,i,k wk,j,2
sada
f(.) ypj ,k+1
. .
. .
. .
juno
xp,i,k wk,j,i aditiv a
Fonte: HAYKIN, 2001.
Figura 2.5. Modelo no-linear de um neurnio j da camada k+1
Uma rede neuronal pode ser ainda classificada quanto a sua arquitetura, onde o tamanho e
a complexidade da mesma refletem o nvel de complexidade do processamento da informao.
Sendo assim, os neurnios podem ser organizados em camadas e a topologia de cada rede pode
diferir no nmero de camadas, no nmero de neurnios por camada e no tipo de processamento
das entradas e sadas, as quais podem ser variveis contnuas ou categricas.

Aplicada a um processo industrial, a rede deve ser capaz de fornecer respostas baseadas
em um conhecimento adquirido, fornecido em uma etapa de aprendizado prvia. Em linhas gerais,
esta rede constituda por uma camada de entrada, recebendo as informaes do processo, uma ou
mais camadas escondidas, processando internamente as informaes atravs de suas funes de
ativao, produzindo as sinapses, e uma camada de sada, disponibilizando o resultado da anlise.
Atravs de uma rede simples com estrutura feedforward, cada neurnio de uma camada
recebe as ativaes correspondentes s sadas da camada anterior, processando os estmulos enviados
pela camada de entrada ao longo das camadas escondidas at a camada de sada, produzindo a
resposta (HOSKINS; HIMMELBLAU, 1988). Estas redes so normalmente chamadas de perceptrons
de mltipla camada (MLP) e tem sido aplicadas com sucesso em processos industriais online.
Vrios autores descreveram a teoria das redes neuronais (BISHOP, 1995; HAYKIN, 2001;
FORTUNA et al, 2007; DE SOUZA JR, 1993), incluindo diferentes abordagens e variantes,
algoritmos de treinamento e reas de aplicao. No entanto, as tcnicas mais utilizadas em processos
industriais so as redes feedforward do tipo MLP, com ampla capacidade de generalizao,
conforme a complexidade da topologia da rede (KADLEC; GABRYS; STRANDT, 2009).
2.4.1 Processamento matemtico

A Equao 2.1 representa o processamento de informao em um neurnio, onde as
sadas de cada neurnio da camada anterior (ou os prprios sinais de entrada) so ponderadas
individualmente pelo peso (w) correspondente as suas respectivas conexes sinpticas, somadas
e adicionadas a um valor limite interno de ativao do neurnio receptor ou bias ().
nk
pj ,k +1 = w jik * s pi ,k + j ,k +1 (2.1)
i =1
onde: pj,k+1, a soma ponderada de todas as entradas sinpticas, acrescentado do bias, do
j-simo neurnio da camada k+1 analisada, para o padro p,
wjik, o peso correspondente conexo entre o i-simo neurnio da camada k anterior e
o j-simo neurnio da camada analisada,
spi,k, o valor de ativao correspondente ao i-simo neurnio da camada k anterior,
j,k+1, o limite interno de ativao do j-simo neurnio da camada k+1 analisada,
k, o nmero da camada de neurnios anterior quela analisada,
j, o nmero do neurnio da camada analisada,
p, o nmero do padro entrada-sada,
nk, o nmero total de neurnios da camada anterior quela analisada.

A resposta calculada pela Equao 2.1 processada por uma funo de ativao, gerando
o sinal de sada do neurnio em anlise, conforme apresentado na Equao 2.2.
s pj ,k +1 = f j ,k +1 ( pj ,k +1 ) (2.2)
onde: spj,k+1, o sinal de sada correspondente ao padro p produzido pelo j-simo neurnio
da camada k+1 analisada, aps a aplicao da funo de ativao
fj,k+1(.), a funo de ativao correspondente ao neurnio j da camada k+1 analisada,
pj,k+1, a soma ponderada de todas as entradas sinpticas, acrescentado do bias, do
j-simo neurnio da camada k+1 analisada, para o padro p.
As equaes responsveis pelo processamento matemtico correspondente funo de

ativao do neurnio podem ser funes no-lineares suaves, como por exemplo a logstica, a
tangente hiperblica, o seno ou a exponencial (Equaes 2.3 a 2.7), ou lineares, como por exemplo
as funes identidade (Equao 2.7) (HAYKIN, 2001). A Tabela 2.4 apresenta as equaes das
principais funes de ativao utilizadas em redes MLP de mltiplas camadas.
Tabela 2.4. Principais funes de ativao utilizadas em redes neuronais do tipo MLP
Funo Equao
1
logsitica f j ,k +1 ( pj ,k +1 ) = pj ,k +1 (2.3)
1+ e
tangente hiperblica f j ,k +1 ( pj ,k +1 ) = tanh( pj ,k +1 ) (2.4)
pj ,k +1
exponencial f j ,k +1 ( pj ,k +1 ) = e (2.5)
seno f j ,k +1 ( pj ,k +1 ) = sen( pj ,k +1 ) (2.6)
identidade f j ,k +1 ( pj ,k +1 ) = pj ,k +1 (2.7)
onde: fj,k+1(.), a resposta produzida pelo j-simo neurnio da camada k+1 analisada para o
padro p,
pj,k+1, a soma ponderada de todas as entradas sinpticas, acrescentado do bias, do
j-simo neurnio da camada k+1 analisada, para o padro p.
k, o nmero da camada anterior quela analisada,
j, o nmero do neurnio da camada analisada,
p, o nmero do padro entrada-sada,

2.4.2 Treinamento por backpropagation

Definida a topologia e as funes de ativao da rede, a rede neuronal passa por uma
etapa de treinamento. Durante esta etapa, so calculados os parmetros das funes de
ativao de cada neurnio, permitindo que cada n alcance o grau de ativao correto para uma
determinada matriz de padres. Uma tcnica heurstica para o treinamento das redes MLP
denominada de back propagation (RUMELHART; MCCLELLAND, 1986).
A tcnica heurstica de back propagation, utilizada no treinamento de redes neuronais
do tipo MLP, baseada na minimizao de uma funo objetivo, calculada atravs da mdia dos
erros ao quadrado, onde o erro a diferena entre os valores fornecidos pelos neurnios da camada
de sada e os valores alvo para todos os padres fornecidos na matriz de dados, conforme
apresentado na Equao 2.8.
1 2
FObjetivo = Yrn p Y p (2.8)
2
onde: FObjetivo, a funo objetivo,

Yrnp, o vetor contendo os valores fornecidos pelos neurnios de sada da rede neuronal
em resposta aos padres utilizados,
Yp, o vetor contendo os valores alvo para os padres fornecidos rede durante o aprendizado.
A funo erro utilizada para avaliar o desempenho da rede neuronal ao longo do

treinamento, comparando os valores fornecidos como alvo rede com os resultados preditos
pela mesma ao adotar uma determinada parametrizao. Uma das funes de erro utilizadas
em testes de desempenho para modelos de redes neuronais a soma do quadrado dos erros
(BISHOP, 1995). Quanto menor o erro, melhor o desempenho da rede. Esta a funo utilizada
pelo pacote Statistica Automated Neural Networks (SANN), disponvel no software Statistica,
verso 8, a partir do qual foram realizados os estudos do presente trabalho, conforme apresentada
na Equao 2.9.
P N
(
E SOS = Y i , p Yrni , p )2 (2.9)
p =1 i =1
onde: ESOS, a funo soma do quadrado dos erros,

Yi,p, o valor de processo obtido para a i-sima varivel de sada, para o padro p,
Yrni,p, o valor calculado pela rede neuronal para a i-sima varivel de sada, para o padro p
N, nmero total de variveis de sada na rede neuronal;
P, nmero total de padres.

As redes treinadas por backpropagation empregam os mtodos de otimizao do gradiente

descendente e/ou gradiente conjugado (LEONARD; KRAMER, 1990). Estes tambm so os
mtodos empregados no SANN, utilizado no presente trabalho, para o treinamento das redes MLP.
Neles, inicialmente, todos os parmetros das funes de ativao (pesos e biases) da rede selecionada
so definidos em um valor real, entre 0,5 e 0,5, escolhidos aleatoriamente. Um dos padres
fornecido aos neurnios de entrada e propagado ao longo da rede, produzindo um vetor Yrnp. Se o
erro encontrado para este padro for menor do que um valor de tolerncia, os pesos so mantidos,
caso contrrio, os pesos so recalculados iterativamente, de acordo com a Equao 2.10 (BISHOP,
1995). Essas iteraes ocorrem sucessivamente, tendendo a reduzir o erro ao longo do treinamento,
at que o gradiente seja menor do que a tolerncia admitida, definindo os valores timos para
cada parmetro.
w k +1 = E SOS (2.10)
onde: wk+1, a diferena entre os pesos w obtidos para iteraes adjacentes,

, a taxa de aprendizado, um valor positivo com magnitude geralmente inferior a 1
(DE SOUZA JR,1993),
E SOS , o gradiente do erro na iterao k+1
2.4.3 Aplicaes em monitoramento, controle e diagnstico online

As indstrias qumicas e petroqumicas, devido complexidade operacional dos processos
de transformao envolvidos e constante busca pela maximizao da qualidade e minimizao de
custos, possuem uma base consistente de instrumentao instalada, principalmente de sensores
de medio. No entanto, o monitoramento e o controle da planta so limitados pela falta de
equipamentos de instrumentao especialistas, capazes de medir online varveis fsico-qumicas
especficas, tais como pH da extrao de sal em indstrias farmacuticas (RAMIREZ-BELTRAN;
JACKSON, 1999), emisso de poluentes em caldeiras (PETERSSON; HOLMBERG, 2005),
nmero de cetano do biodiesel (RAMADHAS et al, 2006), pontos de ebulio inicial e viscosidade
de algumas etapas de uma refinaria (KATAEV et al, 2007), ou o desempenho de motores
combusto (CANACKI et al, 2009).
Em 1999, Hussain (HUSSAIN, 1999) fez um levantamento de aplicaes envolvendo redes
neuronais em controle de processos qumicos implementados atravs de simulaes ou de dados
aquisitados online. A maioria das aplicaes encontradas utilizou as redes do tipo MLP ou de

base radial (RBF), ambas redes do tipo feedforward. No entanto, a maioria das aplicaes online
encontrada era do tipo MLP, conforme apresentado na Figura 2.6, comprovando o bom desempenho
deste tipo de rede para uma variada gama de processos qumicos e petroqumicos. Observa-se
ainda que as aplicaes de redes neuronais online encontradas na literatura j eram inmeras
altura do fim do sculo passado. No entanto, um nmero apenas reduzido de aplicaes era
conduzido em plantas piloto ou mesmo em ambientes industriais, sendo a maioria aplicada em
escala de laboratrio.
Outros
tipos de
rede
19%
Rede RBF
11%
Rede MLP
70%
Fonte: HUSSAIN, 1999.
Figura 2.6. Levantamento de 1999 das aplicaes online em mtodos de controle baseados em redes neuronais
Em 2007, a refinaria russa Lukoil (KATAEV et al, 2007) implementou 10 redes neuronais
para inferir valores de ponto de ebulio inicial, final, viscosidade e ponto de flash para algumas
etapas do seu processo. Estas anlises eram realizadas em laboratrio apenas uma ou duas vezes
por dia e repassadas aos operadores para que fosse tomada alguma deciso em relao ao
acompanhamento operacional da planta. Historicamente, a interferncia no controle do processo
era feita pelo operador em funo dessas anlises. No entanto, cada operador tinha o seu prprio
mtodo de ajuste, decorrendo em procedimentos diferentes para os mesmos casos e decises
mais acertadas do que outras. Mesmo sem fazer parte de uma malha de controle, a utilizao de
redes neuronais em paralelo s medidas de laboratrio, gerou uma ferramenta de diagnstico que
emite alertas ao operador em funo das ocorrncias apresentadas. Estas ocorrncias podem ser
em funo dos valores obtidos pela rede ou mesmo atravs da anlise dos valores de entrada ou
da comparao dos valores obtidos com os resultados analisados pelo laboratrio.
As redes neuronais possuem grande capacidade de aprendizado e costumam obter bons
resultados como modelos de regresso, mas no so confiveis em casos de extrapolao. No

tendo sido confrontado com essa situao antes, a rede pode ou no, responder de forma eficiente.
A refinaria Lukoil introduziu uma etapa de verificao das entradas fornecidas rede, identificando o
sinal de sada da rede como INCERTO ao identificar valores de entrada fora da faixa utilizada
durante a etapa de treinamento. (KATAEV et al, 2007)
Em 2009, Kadlec e colaboradores (2009) fizeram um levantamento das publicaes mais
recentes envolvendo aplicaes de sensores virtuais e abordagens consideradas menos tradicionais,
onde os modelos baseados em redes neuronais so considerados muito comuns. Alm disso, a
maioria das aplicaes de sensores virtuais analisadas neste levantamento cita a necessidade de
um conhecimento a priori do processo, permitindo agregar caractersticas adicionais que a rede
neuronal no capaz de aprender.
2.4.4 Aplicaes em monitoramento e controle de combusto

Em 2003, Kalogirou (2003) fez um extenso levantamento da aplicao de inteligncia
artificial em controle de processos de combusto. Dentre os 69 trabalhos encontrados, apenas
26 publicaes envolviam processos de motores combusto (motores a diesel e turbinas a gs),
enquanto as demais avaliavam sistemas de combusto, incluindo caldeiras, fornos e incineradores,
correspondendo a 62% do total investigado. Ao analisar somente as aplicaes destes sistemas
de combusto, observou-se que a maioria utilizou mtodos de redes neuronais, conforme a
distribuio apresentada na Figura 2.7.
Sistemas
Sistemas
Lgica Neuro- Hbridos Especialistas
fuzzy 7%
12%
5%
Lgica
Fuzzy
16%
Algoritmos
genticos
9%
Redes
Neuronais
51%
Fonte: KALOGIROU, 2003.
Figura 2.7. Levantamento de 2003 da aplicao de inteligncia artificial em controle de processos de combusto

Tronci e colaboradores (2002) desenvolveram um analisador virtual para monitorar a

emisso dos gases de combusto residuais (oxignio, dixido de carbono e xidos de nitrognio)
de um forno utilizado em uma planta piloto de gerao de energia de 4.8MW de potncia
nominal do Centro de Pesquisa da Enel Santa Giulia em Caligari, Itlia. A planta permite a
utilizao de 4 tipos de combustvel diferentes: carvo, gs natural, leo combustvel e emulses.
O analisador desenvolvido utilizou como entrada as leituras de vazo de combustvel,
razo ar/combustvel, vazo de combustvel auxiliar (para queima dos xidos de nitrognio no
reduzidos totalmente), vazo de ar no primeiro e no segundo estgios, temperatura de entrada de ar,
temperatura de sada de gases residuais e concentrao de oxignio no interior da cmara de
combusto. As medidas de concentrao de poluentes utilizadas durante o perodo de aprendizado
da rede neuronal foram realizadas por um equipamento analtico convencional. interessante
observar que os autores no citam como foi feita a escolha das variveis de entrada, devido a uma
clusula de confidencialidade assinada com a empresa detentora da planta piloto. A rede neuronal
desenvolvida foi uma rede do tipo MLP com 8 neurnios de entrada, 3 na camada escondida e 3
na camada de sada, correspondendo s concentraes de oxignio, dixido de carbono e xidos de
nitrognio. Segundo os autores foi escolhida uma rede neuronal simples devido sua facilidade
de implementao em sistemas de controle distribudo.
Os resultados obtidos comprovam a eficincia do analisador virtual na predio em
campanhas operacionais, incluindo mudanas na razo ar/combustvel, na vazo de ar fornecida
planta, na carga de combustvel e na troca de tipo de combustvel, com erros menores do
que 10% em 95% dos casos testados Portanto, fica comprovada a viabilidade da utilizao de
um analisador virtual baseado em redes neuronais como uma alternativa em relao aos
analisadores analticos convencionais, ou mesmo como back-up no caso de manuteno destes
equipamentos.
Uma aplicao anloga, uma rede neuronal feedforward do tipo MLP, j tinha sido
desenvolvida por Chong e colaboradores (2001) para predizer a emisso de gases residuais
(oxignio, monxido de carbono e xidos de nitrognio) da queima de carvo em uma caldeira.
A rede utilizada passou inicialmente por uma etapa de treinamento e validao utilizando um
conjunto de dados, para ser alimentada ento com dados totalmente desconhecidos rede aps
8 meses, comprovando a robustez e a repetibilidade do modelo desenvolvido.
Apesar da enorme gama de aplicaes envolvendo redes neuronais apresentadas, a maioria
das citadas no levantamento realizado por Kalogirou envolve a utilizao de combustveis slidos
ou gasosos e restringe o escopo do estudo ao processo de combusto em si (KALOGIROU, 2003)
e no no equipamento de engenharia utilitrio, conforme apresentado na presente dissertao.

Petersson e Holmberg (2005) desenvolveram um trabalho de monitoramento voltado,

principalmente, para caldeiras de pequeno porte. Segundo os autores, a ausncia de uma tecnologia
voltada otimizao do processo de combusto de plantas em menor escala explicada por
motivos econmicos. Enquanto as plantas de maior porte possuem taxas mximas de emisso
de poluentes controladas por rgos governamentais, o mesmo no ocorre em plantas de menor
porte. Este trabalho prope o desenvolvimento de um analisador hbrido para deteco da
emisso de oxignio, gs carbnico e hidrocarbonetos nos gases residuais da queima, incluindo
sensores de menor custo e a aplicao de modelos multicomponentes, como alternativa econo-
micamente mais vivel para estas plantas. O trabalho experimental foi realizado em uma caldeira
com potncia nominal de aproximadamente 200kW, usando biomassa como combustvel. Mais
uma vez, o combustvel utilizado slido, como comum nos continentes europeu e asitico,
onde as reservas de petrleo, principal matria-prima para obteno de combustvel gasoso
(gs natural) e lquido (leo diesel, gasolina) so escassas.
2.5 O biodiesel como alternativa energtica

De acordo com a Petrobras (PETROBRAS, 2010), os tipos de diesel atualmente comer-
cializados no Brasil so o diesel interior (S1800), o diesel metropolitano (S500) e, desde janeiro
de 2009, tambm est sendo comercializando o diesel S50. Vale ressaltar que o leo diesel
um produto derivado de petrleo e estas classificaes se diferenciam basicamente pela concentrao
de enxofre, a qual a tendncia ser cada vez menor.
O diesel interior o combustvel mais comercializado no Brasil. Ele utilizado como
combustvel em locomotivas, mquinas agrcolas, tratores, colheitadeiras e em veculos de
transporte de cargas e passageiros. encontrado nos municpios brasileiros cuja circulao de
frotas considerada menor. Entre as caractersticas que o diferenciam do diesel metropolitano
est a concentrao de no mximo 1800 partes por milho de enxofre e a aplicao de um
corante vermelho para um rpido e fcil reconhecimento pelos consumidores.
O diesel metropolitano apresenta um teor de enxofre de no mximo 500 partes por milho
(ppm) e encontrado nos centros urbanos onde h grande circulao de veculos, sendo utilizado
como combustvel em nibus, caminhes e outros transportes pesados.
O diesel S50 tem uma concentrao de 50 partes por milho de enxofre em sua composio,
permitindo uma reduo maior das emisses de material particulado para o meio ambiente.

Em janeiro de 2009, iniciou-se o fornecimento do diesel S50 para as frotas cativas de nibus
urbanos das cidades de So Paulo e Rio de Janeiro. No ms de maio, a distribuio foi ampliada
para toda a frota de veculos metropolitanos em Fortaleza, Recife e Belm (PETROBRAS, 2010).
Rathmann e colaboradores (2005) revelaram em 2005, que as reservas mundiais de petrleo
totalizavam 1.147,80 bilhes de barris e, em contrapartida, o consumo anual deste combustvel
fssil foi estimado em 80 milhes de barris/dia. Analisando estes dados, sem levar em considerao
a tendncia de crescimento do consumo, os autores prevem que as reservas mundiais de
petrleo se esgotaro por volta de 2046, alm do seu preo de mercado atingir patamares muito
elevados mesmo antes de seu esgotamento, tornando seus derivados inviveis economicamente.
Em paralelo, segundo o Plano Nacional de Energia (PNE), elaborado pelo Ministrio
de Minas e Energia (MME) brasileiro, com previses at 2030, existe uma perspectiva de 100%
de aumento na demanda por combustveis lquidos no setor industrial, passando de 5542 mil
toneladas em 2004 para 11196 em 2030 (MME, 2007b). No Brasil, devido s caractersticas
dominantes da sua matriz energtica, o petrleo apresentado como a principal fonte de energia
no renovvel e os recursos hidrulicos so apresentados como principal fonte de energia
renovvel (MME, 2007a), conforme apresentado na Figura 2.8.
Outras fo ntes
Cana-de- primrias
acar e reno vveis
derivado s 3%
14%
P etr leo e
derivado s
Lenha e 39%
carvo
Vegetal
13%
Hidrulica e
eletricidade
15%
Urnio e Gs Natural
Carvo
derivado s 9%
M ineral e
1% derivado s
6%
Fonte: MME, 2007a.
Figura 2.8. Matriz energtica brasileira do ano de 2005
Considerando ainda o atual contexto mundial de saturao ambiental, tendo em vista a

crescente exigncia pela reduo da emisso de gases poluentes na atmosfera, gerando inclusive
acordos internacionais como o Protocolo de Kyoto, vrios estudos vm sendo realizados em
busca de novas fontes de energia, mais baratas, renovveis e menos poluentes. (RATHMANN

et al, 2005; LIMA; SOGABE; CALARGE, 2008; MOREIRA et al, 2008; PENTEADO;
WLHELM; SILVA, 2007).
Neste contexto, tendo em vista o interesse emergente em matrizes energticas alternativas
que apresentam maiores ganhos scio-ambientais, o biodiesel vem ganhando uma visibilidade
cada vez maior no cenrio mundial de combustveis, em particular o Brasil, levando em considerao
as vantagens competitivas naturais do agronegcio brasileiro. Em paralelo ao avano no
desenvolvimento da automao industrial, portanto, surgem novos processos industriais, que
encontram novos paradigmas tecnolgicos, dificultando a implementao dos mesmos.
O biodiesel surge como alternativa vivel em substituio, parcial ou total, do diesel
fssil (LIMA; SOGABE; CALARGE, 2008) e produzido a partir de leos vegetais, podendo
ser extrado de diferentes matrias-primas, tais como soja, mamona, dend, girassol, amendoim,
algodo, babau, canola e gordura animal. O biodiesel em estado puro recebe a denominao de
B100, caracterizando a composio em 100% de biodiesel (VEJA, 2010). No entanto, considerando
que cada matria-prima produz um biodiesel com diferentes nveis de combusto e capacidade de
lubrificao, vale ressaltar que a produtividade obtida em decorrncia da sua utilizao como
combustvel pode variar em funo da sua origem e da proporo utilizada em misturas com o
diesel fssil.
Ao analisar mais detalhadamente o consumo energtico final por setor utilitrio no ano de
2005 e sua projeo at 2030 (MME, 2007a), conforme apresentado na Figura 2.9, desconsiderando
o setor de fornecimento de energia, observa-se uma predominncia na participao do setor
industrial, responsvel por 45% do consumo total de energia no pas, mantendo-se ao longo
de toda a projeo.
50
40
30
45 46 47
20 41 43
37 37 38
10
13 12 10 10
5 5 5 5
0
2005 2010 2020 2030
Residencial 13 12 10 10
Servios 37 37 38 41
Agropecurio 5 5 5 5
Industrial 45 46 47 43
Fonte: MME, 2007a.
Figura 2.9. Consumo final energtico por setor

Vale ressaltar que as caldeiras industriais e semi-industriais so utilizadas tanto no

setor residencial (fornecimento de gua aquecida, energia eltrica), quanto no setor industrial
(fornecimento de vapor, energia eltrica, energia trmica), somando mais de 50% do consumo
de energia total.
O Programa Brasileiro de Biocombustveis, anunciado em 2007, tem como objetivo
aumentar a participao do biodiesel na matriz energtica em 15 anos. A expanso da
participao dos biocombustveis na matriz energtica brasileira favorecida pelo aproveitamento
das vantagens competitivas naturais do agronegcio brasileiro, tornando o biodiesel um produto
comercial. Apesar da atual no competitividade do custo de produo em relao aos leos
minerais, a integrao de esforos governamentais, industriais e de setores de pesquisa incentivam
avanos tecnolgicos na produo deste tipo de combustvel. A lei n. 10.097 de 2005 pode
ser reconhecida como uma ao em consequncia deste movimento, ao fixar em 5% o percentual
mnimo obrigatrio de adio de biodiesel ao leo diesel comercializado ao consumidor final,
em qualquer parte do territrio nacional, obrigando o aumento da produo nacional de biodiesel
para suprir esta nova demanda.
Em funo dessas premissas, o PNE 2030 apresenta uma projeo do consumo de
diesel at 2030 e um novo plano para produo de biodiesel e para proporo de biodiesel/leo
diesel em misturas de leo diesel comercial, conforme apresentado na Tabela 2.5 (MME, 2007b).
Observa-se que esta projeo prev para 2030 um aumento na produo do biodiesel de
aproximadamente 5 vezes a produo de 2010 (2095 mil toneladas) e um aumento na proporo
de biodiesel/leo diesel em leo diesel comercialmente disponvel de 2,4 vezes.
Tabela 2.5. Projees do Plano Nacional de Energia para o consumo de diesel, produo e percentual de biodiesel
2005 2010 2015 2020 2025 2030
Demanda total de diesel (mil ton) 35901 41878 49698 56837 67405 80146
Produo de biodiesel (mil ton) 139 2095 2988 3987 6714 9644
Proporo de biodiesel(%) 0,4 5,0 6,0 7,0 10,0 12,0

Fonte: MME, 2007b.
Em termos ambientais, em comparao ao leo diesel, o biodiesel promove menor

emisso de material particulado, alm de no possuir compostos de enxofre na sua composio.
Na rea automotiva, por enquanto o principal foco da substituio dessa matriz energtica

alternativa, a utilizao do biodiesel em pequenos percentuais no requer alteraes na infraestrutura

de distribuio, alm de apresentar-se como uma alternativa competitiva para frotas que
utilizam o leo diesel (PENTEADO; WLHELM; SILVA, 2007).
Uma das principais vantagens do biodiesel sua capacidade de ser produzido a partir
de fontes renovveis, protegendo o meio ambiente de degradao, em contrapartida aos
derivados do petrleo, produzidos a partir de fontes finitas e processo agressivos de extrao e
refino. Em comparao com o leo diesel, estudos demonstram que a combusto de biodiesel
reduz a emisso de poluentes (ALVES, 2003; MOREIRA et al, 2008; LIMA; SOGABE;
CALARGE, 2008), produzindo baixas concentraes de monxido de carbono, de material
particulado e de hidrocarbonetos.
Recentemente, Canacki e colaboradores (2009) desenvolveram redes neuronais para
predio de performance e composio de gases de exausto de motores movidos a biodiesel
originado de refugo de leo de palma. Os experimentos foram realizados em bancada,
utilizando um motor de injeo a diesel, trabalhando com diversas misturas de leo diesel e
biodiesel como combustvel e as medidas de composio foram realizadas por um analisador
de gases industrial. interessante observar que os autores especificam que todos os testes
foram conduzidos sem necessidade de modificaes no motor de teste, comprovando a
compatibilidade do equipamento com ambos os combustveis. As redes neuronais testadas so
do tipo MLP com apenas uma camada escondida e funes de ativao do tipo sigmoidal. Os
gases de emisso foram estudados em relao s seguintes composies: dixido de carbono,
monxido de carbono, xidos de nitrognio e hidrocarbonetos, onde a predio destes trs
ltimos apresentou os maiores erros mdios (em torno de 10%). Segundo os autores, isso
poderia ser justificado pela complexidade do processo de combusto em si, alm de erros
experimentais na medio do analisador. Os bons resultados obtidos para a predio de gs
carbnico, componente com participao importante no aquecimento global, indicam que as
redes neuronais podem ser utilizadas na predio de emisso de poluentes (CANACKI et al,
2009).

2.6 Emisso de poluentes em caldeiras geradoras de vapor

Em 15 de junho de 1989 foi criado pelo Conselho Nacional do Meio Ambiente (CONAMA)
o Programa de Controle da Poluio do Ar (PRONAR), responsvel pela regularizao das
taxas de emisso de poluentes. Este rgo governamental, em 2007, publicou a resoluo
nmero 382, de 26 de dezembro de 2006, estabelecendo os limites mximos de poluentes
atmosfricos para fontes fixas, incluindo os processos de gerao de calor a partir da combusto
externa de leo combustvel. De acordo com esta resoluo, que define o termo leo combustvel
como um derivado lquido obtido de material fssil e considera as condies tpicas de
operao como a condio de operao da unidade de gerao de calor que prevalece na
maioria das horas operadas (CONAMA, 2007), os limites para a emisso de gases em
caldeiras leo combustvel so estabelecidos de acordo com a capacidade nominal do
equipamento, conforme apresentado na Tabela 2.6.
Tabela 2.6. Limites mximos para a emisso de poluentes em caldeiras leo diesel
Potncia trmica Material xidos de xidos de Monxido

nominal (MW) Particulado Nitrognio Enxofre de Carbono
Menor que 10 300 1600 2700 80
Entre 10 e 70 250 1000 2700 80
Maior que 70 100 1000 1800 80
Obs.: Os resultados devem ser expressos na unidade de concentrao mg/Nm3, em

base seca e 3% de excesso de oxignio.
Fonte: CONAMA, 2007.
No entanto, para sistemas com potncia de at 10 MW, poder o rgo ambiental

licenciador aceitar a avaliao peridica apenas de monxido de carbono, sendo que neste
caso, o limite mximo de emisso deste poluente ser de 80 mg/Nm3 (CONAMA, 2007). Esta
recomendao de menor importncia para plantas de pequena escala contribui significativamente
para o desinteresse comercial no segmento.
A utilizao do biodiesel como combustvel alternativo para caldeiras uma rea de
conhecimento ainda em estudo. Portanto, no h uma regulamentao para a emisso de poluentes
nestes casos. Considerando o biodiesel como um combustvel mais limpo do que o leo diesel,
devido aos seus constituintes principais, os limites estabelecidos de emisso de poluentes para
a caldeira utilizada no presente trabalho, cuja potncia trmica nominal menor do que 10MW,
so assumidos como compatveis com a resoluo da CONAMA.

CAPTULO 3
Materiais e Mtodos
3.1 Apresentao
Inicialmente, este captulo apresenta um detalhamento da planta industrial onde foi realizada
a parte experimental do presente trabalho, incluindo o diagrama P&I, a arquitetura de automao e
o sistema SCADA implementados, permitindo a otimizao da etapa de coleta dos dados histricos
utilizados posteriormente. Em seguida, apresentado o procedimento experimental e operacional
resumido, desenvolvido no mbito do projeto Combustveis Alternativos em Caldeira de Pequeno
Porte Instrumentada (CALCOM), utilizando misturas de diesel/biodiesel na caldeira para a produo
de vapor, permitindo a obteno dos dados histricos analisados (VALDMAN, B et al, 2010).
Aps a definio dos testes experimentais, h uma descrio da metodologia elaborada e
utilizada no presente trabalho para o desenvolvimento do analisador virtual baseado em redes
neuronais. Esta metodologia inclui as etapas de obteno de dados histricos, o tratamento dos
mesmos, a definio e anlise comparativa preliminar das redes neuronais, a implementao e
validao online da rede neuronal selecionada e a manuteno do analisador virtual efetivamente
implementado como parte do sistema de automao. Em funo da experincia consolidada durante
a execuo da metodologia desenvolvida, da relevncia das possveis falhas operacionais e das
caractersticas funcionais dos atuais sistemas de automao, tambm proposta uma ferramenta
de deteco e diagnstico operacional da caldeira.

Captulo 3. Materiais e Mtodos 44
3.2 Planta Industrial Caldeira Flamotubular

A parte experimental do presente trabalho foi desenvolvida em uma caldeira flamotubular
vertical de pequeno porte, modelo CV-VDM-500, fabricada no ano de 2003. A planta piloto,
apresentada na Figura 3.1, est localizada na Central de Utilidades do LADEQ/EQ/UFRJ, sendo
parte integrante do projeto Combustveis Alternativos em Caldeira de Pequeno Porte Instrumentada
(CALCOM), uma parceria da EQ/UFRJ com o CENPES/PETROBRAS (VALDMAN, B et al,
2010).
Figura 3.1. Planta piloto da central de utilidades do Laboratrio de Engenharia Qumica/EQ/UFRJ
3.2.1 Especificao Tcnica

A Tabela 3.1 apresenta as caractersticas tcnicas da caldeira, incluindo um controlador
dedicado, acoplado mesma, responsvel pela lgica de controle de intertravamento de segurana
que interrompe a alimentao de combustvel, bloqueando o funcionamento da mesma. Nestes
casos, um novo acionamento da caldeira permitido somente quando o operador aciona um
boto no painel local de comando reconhecendo a ocorrncia da falha e aps o restabelecimento

da condio diagnosticada. Esse intertravamento disparado em funo das variveis discretas

disponveis na instrumentao da caldeira que indicam quando a presso excedeu o limite de
segurana, quando ocorre o apagamento da chama durante o perodo de queima ou quando ocorre
uma falta de gua na caldeira.
Tabela 3.1. Especificao Tcnica da Caldeira Modelo CV-VDM-500
Varivel Valor
Capacidade de Produo de Vapor,
500 kg/h
com gua a 20C
Potencia trmica nominal 0,3 MW
Caracterstica do Vapor saturado
Presso mxima de trabalho 8,00 kgf/cm2
Categoria B
Combustvel principal leo diesel
Combustvel auxiliar no possui
Tiragem forada por insuflao
Superfcie de aquecimento 22,80 m2
Nmero de Passes 01 (um)
01 (uma) cmara de combusto
94 (noventa e quatro) tubos de 1 de dimetro com 1,938m
Volume mdio de gua durante o uso normal 0,6m3

Vaporizao especfica por m3 de superfcie
25 kgv/h
de aquecimento
Sada de gases (Chamin)
Seo de passagem Circular
Dimenso 300mm de dimetro
rea mdia 900cm2
Conforme observado na Tabela 3.1, o combustvel especificado para ser utilizado na planta
o leo diesel. No entanto, considerando que o projeto do bico dos queimadores da caldeira
compatvel com as caractersticas fsico-qumicas do leo diesel metropolitano e do leo biodiesel,
foram definidas corridas utilizando estes combustveis puros e misturas dos mesmos em diferentes
propores. Com o objetivo de manter a demanda de vapor constante, a vazo de vapor foi fixada
atravs de uma vlvula manual que permite o descarte de toda a produo para a atmosfera,
atravs de uma linha de sada especificamente concebida para este fim (VALDMAN, B et al, 2010).

A Tabela 3.2 apresenta as principais caractersticas tcnicas do combustvel, da alimentao

do mesmo caldeira e da produo de vapor gerada.
Tabela 3.2. Especificao Tcnica do combustvel utilizado na Caldeira Modelo CV-VDM-500
Varivel Valor
Vazo de combustvel 26 kg/h
Vazo de oxignio ~ 30% excesso de ar
Vazo de vapor saturado ~ 500 kg/h
leo diesel e leo biodiesel

Composio do combustvel
produzido a partir de dend
O sistema de instrumentao da caldeira estudada passou por uma adaptao, baseado em

um estudo prvio realizado por Oliveira e Bispo (2003), incluindo a instalao e configurao
de todos os equipamentos de monitoramento, acompanhamento e armazenamento das principais
variveis, permitindo um controle mais otimizado do processo.
3.2.2 Diagrama P&I

O processo consta de trs tanques de armazenamento de leo biodiesel, um tanque de
armazenamento de leo diesel metropolitano, um tanque de mistura e alimentao caldeira,
uma caldeira, um tanque de armazenamento de gua e uma linha de vapor saturado. O queimador
da caldeira recebe o combustvel, bombeado do tanque de alimentao, e o ar, bombeado atravs de
um soprador, em uma proporo tima para queima. O ignitor responsvel por dar a partida
na queima. A gua retida dentro da caldeira aquecida at a produo de vapor saturado, que
pode ser utilizado pelos setores subsequentes da planta atravs da linha de vapor. O excesso
de vapor liberado para a atmosfera, atravs de um silenciador e um tanque de reteno de
lquido. A gua da caldeira reposta, conforme a demanda de vapor exigida, atravs da bomba
de alimentao de gua de reposio, bombeada do tanque de armazenamento.
O diagrama P&I da planta apresentado na Figura 3.2, composto pelo fluxograma de
processo e a instrumentao instalada na planta.

Captulo 3. Materiais e Mtodos
TPQB Escola de Qumica/UFRJ

Legenda: LIT Indicador e transmissor de nvel; LSH alarme de nvel alto; XSH alarme de chama acesa; BB Bomba;
TIT - Indicador e transmissor de temperatura; LSL alarme de nvel baixo; XSL alarme de chama apagada; MT Motor;
PIT - Indicador e transmissor de presso; LSLL alarme de nvel muito baixo; SI Soprador;
FIT - Indicador e transmissor de vazo; PSH alarme de presso alta.
Fonte: VALDMAN, B et al, 2010
Figura 3.2. Diagrama P&I da Caldeira
Valdman, A.
47
3.2.3 Arquitetura de Automao Instalada

A Figura 3.3 apresenta a arquitetura de automao implementada na planta, contendo
instrumentos fieldbus para acompanhamento das variveis contnuas, um controlador liga-
desliga dedicado ao controle da queima e da gua de reposio para manuteno do intertravamento
de segurana, um controlador lgico programvel para converso das variveis discretas ao
protocolo de instrumentao padro fieldbus e um sistema SCADA para monitorar e supervisionar
todo o processo. Vale ressaltar que toda a lgica de controle automtico da caldeira utilizada
no presente trabalho feita pelo controlador dedicado, cujos sinais de atuao no podem ser
acessados pelo operador. Portanto, a automao instalada na planta permite apenas a garantia
da segurana do processo, alm da monitorao e superviso das variveis de processo
disponibilizadas na rede de comunicao fieldbus.
Campo
Sinal Fsico-Qumico:
variveis contnuas. Sinal Eletro-Mecnico:
Processo variveis discretas
Sinal Eletro-Mecnico:
variveis discretas.
Transmissor Controlador Sinal Eltrico:

Atuador
Fieldbus CLP dedicado variveis discretas
Sinal Digital:
Fieldbus , Ethernet
Computador
Sistema Supervisrio - SCADA
Sala de Controle
Figura 3.3. Arquitetura de automao utilizada na caldeira
As principais instncias envolvidas na instrumentao da caldeira so:
Controlador dedicado o equipamento responsvel pelo funcionamento automtico

da caldeira, envolvendo trs tarefas bsicas: a partida da caldeira, o diagnstico de falha
e a manuteno da segurana da operao.
Controlador lgico programvel (CLP) o equipamento responsvel apenas pelo

monitoramento, em paralelo ao controlador dedicado, das variveis discretas envolvidas
no diagnstico de falha e por disponibiliza-las na rede de instrumentao fieldbus,
utilizada para monitorao online;

Transmissores Fieldbus so os instrumentos responsveis pelo monitoramento das

variveis contnuas do processo;
Computador/Sistema SCADA o equipamento responsvel pelo monitoramento

das variveis de processo atravs de telas grficas, armazenamento de dados e gerao de
relatrios, usando as funcionalidades oferecidas pelo software de sistema supervisrio
instalado.
O fabricante do controlador dedicado utilizado na planta piloto a Landis & Staefa,

recentemente comprada pela Siemens Building Technologies, empresa especializada em
controladores utilizados na queima de leo combustvel (LANDIS & STAEFA, 2010) e foi
fornecido e instalado junto com os equipamentos fsicos da caldeira, pela empresa Servenge. As
operaes automticas sequenciais responsveis pela partida da caldeira so o acionamento do
soprador para a purga inicial, a abertura das vlvulas de combustvel e o centelhamento para dar
incio ao processo de queima. As verificaes automticas envolvidas no diagnstico de falha
durante a queima so a falha de chama, a presso alta na caldeira e o nvel mito baixo de gua
na caldeira. Em paralelo ao diagnstico de falhas, o controle de nvel realizado atravs de um
comando liga ou desliga, enviado bomba de gua de alimentao em funo do sinal dos
sensores de nvel baixo e alto, respectivamente. Observa-se que no fluxograma apresentado na
Figura 3.2, a lgica do controlador dedicado foi desconsiderada, uma vez que nem todas as
variveis disponveis neste equipamento podem ser acessadas remotamente. Apenas as principais
variveis discretas utilizadas neste controlador foram instaladas em paralelo ao controlador
lgico programvel, canal de comunicao com o sistema de aquisio e monitorao, sendo
devidamente representadas no diagrama de instrumentao.
O controlador lgico programvel (CLP) um equipamento modular e os transmissores
fieldbus utilizados na planta piloto so da empresa SMAR Equipamentos Industriais ltda.. Os
mdulos utilizados neste CLP foram um mdulo de fonte de alimentao, um mdulo de CPU,
um mdulo com at 16 variveis discretas de entrada e um mdulo de converso fieldbus.
Dentre os transmissores fieldbus, esto os transmissores de temperatura, nvel e presso.
O sistema SCADA utilizado na planta foi o iFix Proficy, software da empresa GE
Intelligent Platforms, uma ramificao da empresa General Electric, dimensionado para monitorar
at 300 variveis de processo simultaneamente, entre as variveis discretas, contnuas e calculadas.

3.2.4 Sistema Supervisrio SCADA para monitoramento

A Figura 3.4 apresenta a tela principal de operao da caldeira que contm um sintico da
caldeira e as principais variveis de processo. Atravs desta tela, possvel apenas monitorar o
andamento dos testes, ressaltando que a interferncia no processo (partida da caldeira, ajuste da
proporo de excesso de ar e interrupo da operao) s permitida manualmente no painel
local da unidade. Alm desta tela, foram desenvolvidas telas para apresentao de grficos de
tendncia, permitindo o acompanhamento dos dados em tempo real e dados de histrico, telas de
alarmes para diagnstico de falhas e telas especficas para emisso de relatrios atravs de planilhas
eletrnicas (VALDMAN, B et al, 2010).
Fonte: VALDMAN, B et al, 2010.

Figura 3.4. Tela principal de operao da caldeira
O sistema SCADA foi configurado de forma a monitorar e armazenar todas as variveis de

processo disponveis a ele atravs da instrumentao instalada em intervalos de 1 segundo ao
longo do experimento. Para melhor visualizao destas variveis foram definidas trs classes
principais de caracterizao:

as variveis contnuas medidas, disponibilizadas ao sistema supervisrio atravs dos

transmissores fieldbus, conforme apresentado na Tabela 3.3;
as variveis discretas ou de estado medidas, disponibilizadas ao sistema supervisrio
atravs do controlador lgico programvel, conforme apresentado na Tabela 3.4;
as variveis contnuas calculadas pelo sistema supervisrio e as variveis de entrada
manual informadas pelo operador ao sistema supervisrio ao longo do teste, conforme
apresentado na Tabela 3.5.
Tabela 3.3. Variveis contnuas disponveis na instrumentao fieldbus da caldeira
Varivel Tag Descrio Faixas de medida

1 LIT-1013 Nvel do tanque de alimentao de combustvel 37,50 a 353,00 L
2 LIT-1021 Nvel do tanque de alimentao de gua 0 a 100,00 %
3 LIT-1026 Nvel da caldeira 0 a 100,00 %
4 FIT-1024 Vazo de gua de alimentao 0 a 5,2 m3/h
5 FIT-1031 Vazo de vapor 0 a 500,00 kg/h
6 PIT-1032 Presso de vapor na linha 0 a 100,00psi
7 TIT-1011 Temperatura do leo combustvel 0 a 100,00oC
8 TIT-1023 Temperatura da gua de alimentao 0 a 400,00oC
9 TIT-1042 Temperatura dos gases residuais 0 a 100,00oC
Tabela 3.4. Variveis discretas disponveis na instrumentao analgica/CLP/fieldbus da caldeira
Variveis Tag Descrio

1 BB-1011 Bomba de alimentao de biodiesel aos tanques de armazenamento
2 BB-1012 Bomba de alimentao de diesel aos tanques de armazenamento
3 BB-1013 Bomba de alimentao de diesel ao tanque de mistura
4 MT-1014 Motor de agitao ao tanque de mistura
5 PSH-1026 Alarme pressostato de mlta
6 LSLL-1026 Alarme nvel baixo de gua
7 BB-1015 Bomba de alimentao de combustvel caldeira
8 BB-1021 Bomba de alimentao de gua caldeira
9 MT-1016 Soprador
10 XSL-1012 Alarme falha de chama
11 XSH-1011 Queimador ligado
As variveis discretas so visualizadas atravs de smbolos grficos com cores padronizadas:

vermelho, indicando equipamento ligado ou operao em falha para as condies de alarme
(LSLL-1026, PSH-1026 e XSL-1012); verde, indicando equipamento desligado ou operao
normal para as condies de alarme. No entanto, para efeitos de armazenamento de dados,

estas variveis assumem o valor de 1 para equipamentos ligados ou indicao de alarme e 0

para equipamentos desligados ou operao normal.
Tabela 3.5. Variveis calculadas e variveis de entrada manual disponveis no sistema SCADA da caldeira
Faixas de
Varivel Tag Descrio medida
Caracterstica
Ajuste do excesso de ar a ser
1 SI-1046 0 a 100% entrada manual
fornecido a caldeira
2 COMB Proporo de biodiesel na mistura 0 a 100% entrada manual
3
3 DENS Densidade da mistura 0 a 1,000kg/m entrada manual
4 PCALOR Poder calorfico da mistura 0 a 50000kJ/kg entrada manual
5 TMFIT-1031 Totalizao de vapor produzido 0 a 999999kg/h calculada
6 CA_EF Eficincia da caldeira 0 a 100,00% calculada
Considerando que o ajuste de vazo do soprador s poderia ser feito manualmente no

local devido s caractersticas da caldeira instalada, que a proporo de biodiesel na mistura
de combustvel administrada caldeira era definida sempre antes da partida da caldeira e que
a densidade e o poder calorfico da mistura eram analisadas em laboratrio, estas quatro variveis
(SI-1046, COMB, DENS e PCALOR, respectivamente) foram definidas como variveis de
entrada manual, permitindo que o operador informasse ao sistema supervisrio esses valores
conforme sua ocorrncia ou disponibilidade sem prejuzo ao monitoramento dos demais dados.
3.2.5 Eficincia da Caldeira Mtodo Simplificado

A eficincia de um sistema trmico a razo entre o trabalho realizado pelo sistema e o
calor fornecido ao mesmo (SMITH; VAN NESS; ABBOTT, 1997). Considerando as caractersticas
da caldeira, o clculo da eficincia baseado na relao entre o calor til fornecido pela queima
do combustvel e o calor utilizado para converter o lquido saturado em vapor saturado, logo:
=
(FVap )* vap (3.1)
FComb * Cpc
onde: , a eficincia da caldeira;

FVap, a vazo mssica do vapor;
vap, o calor latente de vaporizao da gua;
FComb a vazo mssica de combustvel utilizado na queima;
Cpc o poder calorfico inferior do combustvel utilizado na queima.

Este mtodo considera que todo o calor produzido pela queima est sendo utilizado na
produo de vapor saturado, sem considerar as perdas. Esse clculo, portanto, prev a eficincia
mxima, desconsiderando as perdas obtidas por conveco e/ou radiao na superfcie da caldeira,
devido combusto incompleta do combustvel, quantidade de carbono no oxidada e emisso
de gases residuais atravs da sada de gases (KAEWBOONSONG; KOUPRIANOV, 2003).
O mtodo utilizado para clculo de eficincia utilizado no presente trabalho conhecido
como Mtodo Direto ou de entrada-sada, especificado nas normas internacionais ASME PTC
4.1 (ASME, 2008).
3.2.6 Implementao da Eficincia no Sistema SCADA

O sistema supervisrio SCADA permite a configurao de variveis calculadas em funo
das variveis medidas, atualizadas continuamente cada vez que estas ltimas sofrem alteraes
em funo do comportamento do processo. Foram definidas, portanto, as variveis de clculo
de totalizao da vazo de vapor produzido (TMFIT-1031) e de eficincia da caldeira durante
a etapa de produo de vapor (CA_EF).
O valor da totalizao do vapor produzido calculado atravs da integrao acumulada
da vazo de vapor (FIT-1031) ao longo do tempo. Esta opo de clculo interna ao software
e depende apenas da especificao da varivel a ser integrada e da base de tempo correspondente
a sua medio (kg/h). Esta varivel atualizada sempre que a vazo de vapor sofrer alteraes.
Baseado na Equao 3.1 a eficincia da caldeira (CA_EF) foi calculada utilizando-se os
valores da massa de combustvel consumido e da massa de vapor produzido entre dois instantes
de tempo, aps a anlise dos valores de poder calorfico inferior das misturas de combustvel e do
calor latente de vaporizao da gua. Considerando que a instrumentao instalada no apresenta
um medidor de vazo de combustvel, mas que o volume do tanque de combustvel monitorado
em litros, a massa de combustvel consumido pode ser obtida atravs da diferena de volume e
da densidade do mesmo. O calor latente de vaporizao definido em funo da presso interna
da caldeira que, neste caso, foi mantida constante, pois as pequenas variaes de presso neste
tipo de caldeira no afetam de modo significativo o valor final do calor latente. Portanto, a frmula
utilizada no sistema supervisrio para o clculo da eficincia foi:
CA _ EF =
(MVap1 MVap0 )* vap (3.2)
(VComb1 VComb0 )* F * c * Cpc

onde: VComb0 o volume do tanque em litros no instante de tempo 0;

VComb1 o volume do tanque em litros no instante de tempo 1;
c a densidade do combustvel em kg/m3;
Cpc o poder calorfico inferior do combustvel em kJ/kg;
VVap0 a massa de vapor produzida em kg at o instante de tempo 0;
VVap1 a massa de vapor produzida em kg at o instante de tempo 1;
vap o calor latente de evaporao da gua em kJ/kg;
F um fator de converso de m3 para litros.
Considerando as caractersticas comportamentais intrnsecas ao tempo de atualizao e

desempenho do sistema supervisrio e a anlise da taxa de decaimento do nvel do tanque e do
comportamento da vazo de vapor ao longo de um teste preliminar, o intervalo de tempo de
aproximadamente 1 minuto foi indicado como satisfatrio para atualizao do clculo da eficincia.
3.2.7 Analisador de Gases Residuais

A anlise de gases residuais foi feita atravs de um analisador de gases da marca Testo
350M/XL, um instrumento de anlise de gases porttil e robusto utilizado para medies insitu.
A sonda deste equipamento foi instalada na linha de sada dos gases residuais, atravs da qual
os gases so sugados por uma bomba de suco interna ao equipamento. O analisador utilizado
no presente trabalho equipado com seis clulas de medio de gases e trs medidores de
temperatura, conforme apresentado na Tabela 3.6.
Tabela 3.6. Variveis disponibilizadas pelo analisador de gases
Faixas de
Varivel Anlise Sensor Preciso
medida
Clula
1 Oxignio (O2) 0,0 a 25,0% 0,2%
eletroqumica
Monxido de carbono Clula at 99ppm: 10 ppm;
2 0 a 10000 ppm de 100 2000ppm: 5% do valor lido
(CO) eletroqumica
Dixido de Clula de
3 0,0 a 50,0% 0,3% + 1% do valor lido
carbono (CO2) infravermelho
Monxido de Clula
4 0 a 3000 ppm at 99ppm: 5%
nitrognio (NO) eletroqumica
Dixido de nitrognio Clula
5 0 a 500 ppm at 99ppm: 5ppm
(NO2) eletroqumica
Dixido de Clula
6 0 a 5000 ppm at 99ppm: 5ppm
enxofre (SO2) eletroqumica
7 Excesso de ar Calculado 0 a 100% --
Fonte: TESTO, 2008.

Segundo o manual de especificao tcnica do analisador de gases (TESTO, 2008), a

varivel denominada excesso de ar calculada atravs da Equao 3.3, apresentada abaixo:
CO 2max O 2m
ar = 1 = (3.3)
CO 2m O 2max O 2m
onde: ar, o excesso de ar fornecido para a queima do combustvel na caldeira (%),

CO2max, a quantidade de gs carbnico terica mxima produzida pelo combustvel (%),
definida como 15,5%, valor padro sugerido pelo fabricante para o leo diesel;
CO2m, a quantidade de gs carbnico medida (%);
O2m, a quantidade de oxignio medida (%);
O2max, a quantidade de oxignio disponvel no ar, utilizado para atomizao (%).
O analisador de gases utilizado possui uma rotina de armazenamento para as variveis

medidas e calculadas, configurada atravs de quatro parmetros temporais, gerando uma nica
matriz de dados histricos para cada corrida experimental. Uma consulta ao fabricante do
equipamento permitiu a definio desses valores para utilizao durante as corridas, conforme
apresentado na Tabela 3.7.
Tabela 3.7. Tempos utilizados no ciclo de anlise de gases residuais
Parmetro
Valor (s) Descrio
Configurado
Tempo para
180 Perodo de tempo ao longo do qual as anlises so realizadas
anlise de gases
Tempo para Perodo de tempo ao longo do qual as anlises so
420
rinsagem interrompidas para limpeza das cmaras dos sensores
Tempo de
2 Intervalo de tempo mximo entre anlises consecutivas
amostragem
Intervalo para Intervalo de tempo considerado no clculo de mdias
60
clculo das mdias aritmticas das anlises instantneas
As clulas de medio utilizadas no analisador de gases apresentam um nvel de rudo

considerado alto, em comparao aos sensores de temperatura, presso e vazo. Portanto, foi
utilizada a opo de configurao disponibilizada no equipamento que habilita o armazenamento
de mdias aritmticas, calculadas em funo dos valores instantneos durante um intervalo de
tempo. O valor apresentado na tabela de dados histricos para as variveis relacionadas ao
analisador de gases residuais o resultado dessa mdia, obtida a partir das medies instantneas
realizadas ao longo do tempo de anlise.
Considerando o intervalo de um minuto utilizado no clculo das mdias, o tempo de trs

minutos ao longo do qual as anlises so realizadas e o tempo de interrupo da anlise de sete
minutos, obtm-se um total de trs medidas a cada dez minutos, ou dezoito medidas a cada hora.
Aps a configurao do equipamento, levando em considerao o tempo de anlise e o
tempo de limpeza necessrio para cada clula, conforme especificao do fabricante, obtm-
se a parametrizao do ciclo de amostragem vlido para todas as variveis de medio.
Durante o perodo de limpeza, as medies so interrompidas para uma purga de ar limpo
atravs das clulas, aumentando o seu tempo de vida til.
Todas as anlises feitas pelo analisador so armazenadas em arquivos, classificados por
data, dentro da memria interna ao equipamento e podem ser recuperadas aps as corridas
atravs de um software dedicado desenvolvido pela Testo, gerando uma tabela de resultados
contendo a hora (hh:mm:ss) e os valores correspondentes para todas as variveis analisadas,
durante o perodo de coleta de dados.
3.3 Testes Experimentais
3.3.1 Planejamento Experimental

O procedimento operacional dos testes foi padronizado para todos os experimentos
realizados, a fim de facilitar a anlise comparativa dos resultados. O objetivo inicial destes
experimentos foi comparar o desempenho da caldeira utilizando diferentes propores de misturas
entre o leo diesel e o leo biodiesel. Por questes de disponibilidade logstica, todos os
experimentos realizados utilizaram o leo diesel metropolitano e o biodiesel produzido a partir do
dend para composio das misturas de combustvel. Durante cada experimento, foram analisados
os efeitos em funo da variao no percentual de excesso de ar (30%, 20% e 10%) fornecido
pelo soprador, atravs da manipulao dos valores de sada de um inversor de freqncia, que por
sua vez atuava sobre a velocidade de giro do motor do soprador (VALDMAN, B et al, 2010).
Todas as corridas experimentais eram iniciadas com a caldeira despressurizada, decorrendo
em uma etapa inicial de aquecimento da caldeira at 60psi, presso de trabalho da caldeira utilizada,
sem produo de vapor. Esta etapa era sempre conduzida utilizando 30% de excesso de ar na
queima e, ao contrrio dos testes conduzidos durante a queima de combustvel com produo de
vapor, apresenta uma etapa transiente do processo cujos resultados devem ser analisados em

separado. Portanto, foram definidos 7 nveis quantitativos (0%, 20%, 30%, 40%, 50%, 60% e 100%)
para a varivel proporo de biodiesel na mistura e, em princpio, 4 nveis categricos (aquecimento,
30%, 20% e 10%) para a varivel excesso de ar alimentado durante a queima.
Devido a uma limitao no estoque de biodiesel de dend disponvel para os testes, foi
realizada 1 rplica para as misturas de 30% a 60%, nenhuma rplica para a mistura de 20%,
nenhuma rplica para o biodiesel puro e 3 rplicas para o leo diesel metropolitano puro.
Considerando que a caldeira utilizada foi projetada para trabalhar com leo diesel, foi introduzida
na metodologia a utilizao deste combustvel a cada 3 ou 4 corridas experimentais utilizando
misturas de biodiesel, para minimizar qualquer obstruo possvel nos bicos dos queimadores
e nas paredes da cmara de combusto.
No intuito de facilitar a anlise dos resultados, foi definida a seguinte padronizao de
nomenclatura para a identificao das misturas de combustvel utilizadas:
DBDdxx_R.E,
onde: D indica a presena do componente diesel metropolitano;

BD indica a presena do componente biodiesel;
d indica a origem do biodiesel utilizado nas corridas (d = dend);
xx indica o percentual de diodiesel contido na mistura, sem levar em considerao o
percentual de biodiesel j presente no leo diesel metropolitano disponibilizado;
R indica se a corrida a primeira (1) ou a rplica (2, 3 ou 4);
E indica a etapa do teste, onde:
0 aquecimento da caldeira;
1 produo de vapor com 30% de excesso de ar na queima;
2 produo de vapor com 20% de excesso de ar na queima;
3 produo de vapor com 10% de excesso de ar na queima.
A Tabela 3.8 apresenta o planejamento experimental definido para todas as corridas

experimentais realizadas no mbito do projeto CALCOM, incluindo a composio das misturas
utilizadas na caldeira e a proporo de excesso de ar fornecida pelo soprador, totalizando 14
corridas operacionais da caldeira, envolvendo 56 corridas experimentais (VALDMAN, B et al,
2010).

Tabela 3.8. Planejamento Experimental
Corridas experimentais Corridas experimentais - rplicas

Caracterstica da Caracterstica da
mistura (%) Excesso de ar Cdigo mistura (%) Excesso de ar Cdigo
No No
(%) identificador (%) identificador
Diesel Biodiesel Diesel Biodiesel
1.0 100 0 Aquecimento D_1.0 9.0 100 0 Aquecimento D_2.0
1.1 100 0 30 D_1.1 9.1 100 0 30 D_2.1
1.2 100 0 20 D_1.2 9.2 100 0 20 D_2.2
1.3 100 0 10 D_1.3 9.3 100 0 10 D_2.3
2.0 100 0 Aquecimento D_3.0 10.0 100 0 Aquecimento D_4.0

2.1 100 0 30 D_3.1 10.1 100 0 30 D_4.1
2.2 100 0 20 D_3.2 10.2 100 0 20 D_4.2
2.3 100 0 10 D_3.3 10.3 100 0 10 D_4.3
3.0 80 20 Aquecimento DBDd20_1.0

3.1 80 20 30 DBDd20_1.1
3.2 80 20 20 DBDd20_1.2
OBS.: No foi realizada rplica para
3.3 80 20 10 DBDd20_1.3 esta proporo de mistura
4.0 70 30 Aquecimento DBDd30_1.0 11.0 70 30 Aquecimento DBDd30_2.0

4.1 70 30 30 DBDd30_1.1 11.1 70 30 30 DBDd30_2.1
4.2 70 30 20 DBDd30_1.2 11.2 70 30 20 DBDd30_2.2
4.3 70 30 10 DBDd30_1.3 11.3 70 30 10 DBDd30_2.3

5.1 60 40 30 DBDd40_1.1 12.1 60 40 30 DBDd40_2.1
5.2 60 40 20 DBDd40_1.2 12.2 60 40 20 DBDd40_2.2
5.3 60 40 10 DBDd40_1.3 12.3 60 40 10 DBDd40_2.3

6.1 50 50 30 DBDd50_1.1 13.1 50 50 30 DBDd50_2.1
6.2 50 50 20 DBDd50_1.2 13.2 50 50 20 DBDd50_2.2
6.3 50 50 10 DBDd50_1.3 13.3 50 50 10 DBDd50_2.3

7.1 40 60 30 DBDd60_1.1 14.1 40 60 30 DBDd60_2.1
7.2 40 60 20 DBDd60_1.2 14.2 40 60 20 DBDd60_2.2
7.3 40 60 10 DBDd60_1.3 14.3 40 60 10 DBDd60_2.3
8.0 0 100 Aquecimento BDd100_1.0

8.1 0 100 30 BDd100_1.1
8.2 0 100 20 BDd100_1.2
OBS.: No foi realizada rplica para
8.3 0 100 10 BDd100_1.3 o teste com biodiesel puro

3.3.2 Procedimento Operacional

Antes de iniciar efetivamente a corrida experimental, o procedimento operacional incluiu
uma verificao do posicionamento de todas as vlvulas manuais, garantindo uma padronizao
no preparo da operao. As verificaes realizadas antes do acendimento da caldeira foram:
Abrir vlvulas relacionadas ao circuito de gua de alimentao, evitando a interrupo
da operao por falta de gua;
Manipular a vlvula de descarga de gua interna da caldeira somente at atingir o nvel
de 60%, uma vez que, para minimizar os efeitos corrosivos do ambiente, a caldeira era
sempre mantida inundada durante o perodo de parada. Fechar em seguida a vlvula
de descarga, o dreno da caldeira e as vlvulas de sada de vapor, otimizando a etapa de
pressurizao da caldeira. Colocar em automtico o controle de nvel de gua;
Fechar as vlvulas de alimentao de combustvel ao tanque de mistura, garantindo a
manuteno da proporo leo diesel/leo biodiesel durante toda a operao e abrir
as vlvulas de alimentao do tanque de mistura ao queimador da caldeira, evitando a
interrupo da operao por falta de combustvel;
Ligar todos os painis de instrumentao, garantindo a monitorao e armazenamento
de todas as variveis de processo, e posicionar o inversor de frequncia que aciona o
soprador em 100% (60Hz);
Inserir a sonda do analisador de gases na sada de gases;
Preparar a mistura na proporo leo diesel/leo biodiesel desejada, considerando
um volume inicial de 200l.
Aps a etapa de verificao, a caldeira era liberada para acendimento, atravs do painel
de comando local, acionando o ciclo de ignio. As principais etapas executadas na sequncia
operacional realizada aps o acendimento foram:
Aguardar aproximadamente 15 minutos para ento inicializar o analisador de gases
para tomada de amostra e registro de dados e ajustar o inversor de frequncia at
obter 30% de excesso de ar na linha de sada dos gases;
Aguardar at a presso de vapor na caldeira (PIT-1032) atingir o valor de 60psi e regular
a vlvula de sada de vapor para manter a vazo (FIT-1031) em torno de 450kg/h;
Aps a estabilizao da vazo, a dinmica comportamental da caldeira pode ser considerada
aproximadamente estacionria. Ao atingir esta condio operacional, foram fornecidas diferentes
propores de excesso de ar/combustvel na queima (30%, 20% e 10%), sequencialmente,
mantendo-se estas condies de operao fixas durante1 hora para cada proporo testada.

3.4 Metodologia de desenvolvimento do analisador virtual online

Conforme apresentado no subitem 3.2.7, o analisador de gases comercial um equipamento
robusto, mas possui uma srie de restries operacionais. Em longos perodos de atividade, o
fabricante do equipamento sugere que sejam feitas purgas peridicas de ar limpo atravs das
clulas, perodo durante o qual o analisador interrompe as anlises e a disponibilidade de informao.
Alm das paradas locais para manuteno, para garantir o perfeito funcionamento do mesmo,
necessrio realizar uma rotina de manuteno e calibrao nos sensores. Estas rotinas envolvem
a remoo do equipamento do processo e o envio do mesmo a laboratrios especializados com
infraestrutura especializada para sua execuo. Durante estes perodos, as composies de dixido
de enxofre e de nitrognio deixam de ser monitoradas, representando possveis prejuzos ambientais
ou produtivos.
O analisador virtual online de gases de combusto pode ser acoplado ao sistema de
controle e monitorao da planta, permitindo obteno das composies dos gases em tempo
real sem a utilizao continuada do equipamento. O analisador virtual desenvolvido no presente
trabalho baseia-se na anlise de dados de processo medidos em tempo real para determinao
da composio dos gases residuais liberados na sada de gases da caldeira. Estes valores podem
ser utilizados para diagnosticar o desempenho da queima do combustvel ou mesmo como
inferncias em malhas de controle contnuo atuando sobre o queimador ou sobre o soprador.
Recentemente, Kadlec e colaboradores (2009) apresentaram uma metodologia genrica
a ser seguida para o desenvolvimento de um sensor virtual, incluindo as principais etapas de
anlise, avaliao e implementao, tanto para processos em batelada como para processos
contnuos. Baseando-se nesta referncia, a presente dissertao prope uma metodologia
experimental mais detalhada, desenvolvida ao longo do trabalho, conforme apresentado
comparativamente na Figura 3.6.
As principais etapas da metodologia aqui proposta so:
Obteno dos dados histricos Esta etapa inclui a realizao das corridas experimentais,
a extrao dos dados histricos das variveis de processo disponveis armazenados
atravs do sistema supervisrio SCADA e a anlise preliminar dos resultados obtidos.
Esta etapa gera uma matriz de dados brutos de processo;
Tratamento de dados Atravs desta etapa so selecionadas as variveis de processo a

serem consideradas na rede neuronal a ser estudada, a identificao dos padres ou
conjuntos de dados de processo representativos de determinados estados estacionrios e a

aplicao de filtros para excluir rudos e normalizar os efeitos iniciais de cada varivel de
processo considerada. Esta etapa gera uma matriz preliminar de padres tratados a ser
alimentado rede neuronal;
Definio e anlise das redes neuronais A primeira parte desta etapa consiste em
selecionar algumas caractersticas principais da rede neuronal, tais como topologia e tipo
de rede, que mais se aplicam anlise em questo. Aps uma anlise preliminar dos
resultados obtidos com a matriz preliminar de padres, feita uma avaliao da possi-
bilidade de reduzir o nmero de variveis de processo envolvidas, reduzindo assim a
complexidade computacional do modelo. Definido o novo conjunto de variveis de
processo a ser considerado na anlise, feito um novo tratamento de dados sobre a matriz
de dados brutos de processo, gerando a matriz final de padres tratados a ser utilizada.
Por fim, feita uma anlise comparativa entre os desempenhos obtidos para as redes
neuronais antes e aps a reduo de variveis, definindo o modelo a ser implementado;
Implementao e validao online Esta etapa consiste no desenvolvimento do modelo

selecionado utilizando as ferramentas disponveis nos equipamentos de instrumentao,
a implementao nestes equipamentos, uma validao preliminar do aplicativo
desenvolvido e a realizao de corridas experimentais, para efetuar a validao online,
em comunicao com a planta;
Manuteno Esta etapa consiste na atualizao da calibrao do analisador virtual,

em funo de manutenes peridicas ou de algum diagnstico operacional
sugerido. Esta calibrao feita offline, atravs de um novo treinamento da rede
implementada, agregando novas corridas matriz de dados de histrico fornecida como
padres rede neuronal. A nova calibrao, contendo os parmetros do modelo,
imediatamente fornecida ao analisador virtual, sem necessidade de interromper a
operao ou realizao de novas configuraes.
Esta metodologia foi aplicada no desenvolvimento do analisador de gases online

virtual para anlise da composio dos gases residuais de uma caldeira industrial utilizando
como combustvel o leo diesel, o leo biodiesel ou uma mistura de ambos em propores
que variam de 0 a 100% de biodiesel. A seguir apresentada uma descrio operacional mais
detalhada para cada etapa.

anlise preliminar Aquisio de dados

de dados histricos
Obteno dos
dados histricos
anlise preliminar
de dados
Seleo dos dados de

Seleo dos dados de histrico histrico
Identificao de estados estacionrios
Tratamento
Identificao dos
de dados
Pr-Tratamento de dados padres em estado
estacionrio
Aplicao de filtros
Seleo do modelo, Seleo do modelo,

treinamento e validao treinamento e validao
Anlise comparativa de
performance preliminar Definio e
anlise das
redes neuronais
Reduo de variveis
(poda)
Anlise comparativa de
performance final
Desenvolvimento do modelo
selecionado
Implementao e
Implementao online do
modelo selecionado validao online
Validao online do
modelo desenvolvido
Manuteno do Manuteno do
analisador virtual analisador virtual
Manuteno
Fonte: KADLEC; GABRYS; STRANDT, 2009. Metogdologia proposta
Figura 3.5. Metodologia proposta para o desenvolvimento de um sensor virtual online

3.4.1 Obteno dos dados histricos

Inicialmente, foi realizada a instalao da instrumentao citada anteriormente. Aps
esta etapa, o presente trabalho construiu um banco de dados contendo os dados de histrico
das variveis de processo disponveis para a caldeira flamotubular, localizada na Central de
Utilidades do LADEQ/EQ/UFRJ. O banco de dados constitudo pelas informaes coletadas
ao longo de 14 corridas experimentais, envolvendo a queima de diferentes misturas de leo diesel
metropolitano e biodiesel de dend, para 37 variveis, incluindo a identificao da corrida, do
combustvel, a data, a hora, os minutos corridos e as 23 variveis de processo disponibilizadas
online atravs do sistema SCADA, e as 9 variveis de processo disponibilizadas atravs do
analisador de gases, incluindo hora e minutos corridos (Apndice I).
Durante a etapa de anlise preliminar de dados foi feita uma inspeo nos dados de
processo medidos e aquisitados, de forma a identificar inconsistncias iniciais decorrentes da
instalao dos equipamentos. Sanadas estas dificuldades, para garantir a consistncia comparativa
dos resultados, foi implementada uma rgida metodologia experimental para ser seguida na
conduo operacional das corridas, conforme descrito no subitem 3.3.2 do presente trabalho.
3.4.2 Tratamento de dados

A etapa de tratamento de dados permitiu, inicialmente, a identificao e seleo das
variveis relevantes e das etapas operacionais envolvidas nos respectivos dados de histricos
de forma a selecionar os perodos onde o processo contnuo est em regime estacionrio (KADLEC;
GABRYS; STRANDT, 2009). Aps a realizao das corridas, portanto, foram eliminadas as
variveis discretas envolvidas no processo (Apndice I), gerando um banco de dados com 1
varivel categrica, apenas para identificao das corridas, e 25 variveis contnuas, incluindo
aquelas obtidas pelo sistema supervisrio iFix e pelo analisador de gases Testo 350. Aps a
definio do banco de dados brutos a serem utilizados no treinamento e na validao das redes
neuronais, a anlise destes resultados permitiu a identificao de etapas de estado estacionrio
ao longo de cada corrida.
Em seguida, foi realizada uma manipulao numrica dos dados brutos, de forma a
otimizar a informao contida no processamento da varivel associada. Os filtros definidos nesta
etapa tm por objetivo a eliminao de perodos de dados no coletados, a deteco de outliers
e a seleo das variveis mais relevantes e podem ser aplicados inmeras vezes com a inteno
de otimizar e preparar o conjunto de dados que ser utilizado pelo modelo.

3.4.3 Definio e anlise das redes neuronais

Segundo o artigo de Kadlec e colaboradores (2009), as etapas de seleo, treinamento e
validao do modelo permitem a definio do tipo de tcnica a ser utilizada para a modelagem
do problema e o treinamento e validao do(s) modelo(s) utilizando a matriz de dados obtida da
etapa anterior. A seleo do modelo efetivo a ser implementado feita atravs da avaliao do
desempenho do analisador virtual obtido.
Inicialmente, analisando as referncias encontradas na literatura para o desenvolvimento
de uma rede neuronal online e considerando que o presente trabalho tem como um dos objetivos
a implementao do analisador virtual obtido na instrumentao instalada na planta industrial,
permitindo corridas experimentais online, o presente trabalho optou por utilizar a topologia de
uma rede feed-forward simples com trs camadas.
Utilizando o conjunto de dados tratados obtidos atravs das 14 corridas experimentais
como padres, foram treinadas e validadas redes neuronais do tipo MLP, com diferentes neurnios
na camada escondida. Em testes preliminares, redes do tipo radial basis function networks ou
RBF (redes multicamadas com neurnios gaussianos na camada escondida) (HAYKIN, 2001)
foram eliminadas como ferramenta de predio vivel para o caso em estudo. Aps a definio
da topologia da rede, onde so especificados o nmero de camadas e o nmero de neurnios em
cada camada, deve ser definido o tipo de funo de ativao a ser utilizada em cada camada.
Aps o treinamento e a validao das redes neuronais obtidas, foi feita uma anlise
comparativa de desempenho individual de cada rede, atravs da avaliao dos resultados obtidos
para a funo erro (Equao 2.9) e para o fator de correlao R2 dos resultados obtidos durante a
etapa de validao (executado logo aps o treinamento).
Um valor de R2 prximo de 1 significa que os valores preditos pela rede esto mais
prximos dos resultados reais fornecidos durante o perodo de aprendizagem, pois h forte
correlao linear entre eles. A anlise comparativa preliminar destes parmetros permitiu a
seleo do tipo de rede a ser implementado.
Experincias prvias indicam que redes neuronais menores, adequadas para adquirir um
determinado conhecimento, so melhores por razes prticas e tericas. Redes menores exigem
menos quantidade de memria para armazenar seus parmetros e podem ser implementadas nos
equipamentos disponveis mais fcil e economicamente. Alm disso, tempos de processamento
menores, desde o fornecimento das entradas at a gerao das sadas, permitem a utilizao
dos valores calculados em malhas de controle ou mesmo no monitoramento de processos
(BEBIS; GEORGIOPOULOS, 1994). Nesta etapa foi feita uma anlise inicial da complexidade

computacional exigida para cada rede, ao comparar a relao entre o nmero de padres fornecidos
a rede durante o treinamento e o nmero de parmetros exigidos.
Em funo dos resultados obtidos nesta etapa de anlise preliminar, foi feita uma anlise
de sensibilidade das variveis utilizadas como variveis de entrada na rede neuronal com o intuito
de reduzir a complexidade computacional do modelo. Esta caracterstica determinante para a
determinao da frequncia de execuo da rede e, consequentemente, no intervalo de tempo para
aquisio de dados e atualizao dos valores gerados pelo analisador virtual.
Considerando a definio, atravs de etapa anterior, do tipo de rede neuronal mais aplicado
ao caso em estudo e a definio dos novos componentes de entrada na rede, um subconjunto
das variveis iniciais, novas redes foram treinadas e validadas. Em seguida, foi realizada uma
comparao entre os desempenhos obtidos para as redes antes e aps a reduo, comprovando a
eficincia da etapa de reduo, auxiliando na seleo do modelo de melhor desempenho. Antes da
implementao do modelo selecionado na instrumentao disponvel na planta, foram analisados
detalhadamente os resultados obtidos para a rede selecionada.
3.4.4 Implementao e validao online da rede neuronal

selecionada
A etapa de implementao e validao online da rede neuronal selecionada atravs da
etapa anterior da metodologia, implica em configurar um ou mais elementos computacionais
nos equipamentos envolvidos na instrumentao da planta e testar seu desempenho atravs de
corridas experimentais.
Em princpio, as caractersticas tcnicas da instrumentao disponvel na planta industrial
utilizada no presente trabalho sugerem que a rede neuronal possa ser implementada no sistema
SCADA iFix, em um dos instrumentos fieldbus ou no controlador lgico programvel. Todos
estes equipamentos possuem uma linguagem prpria de configurao, seja atravs da implementao
de um cdigo em linguagem de programao, da combinao de blocos funcionais j disponi-
bilizados pelos fabricantes em cada tecnologia ou mesmo do desenvolvimento de um bloco
funcional dedicado implementao de redes neuronais.
Tendo em vista a arquitetura de automao utilizada e os nveis de dificuldade de
implementao em cada tecnologia, o sistema SCADA iFix, um software de uso comercial
amplamente utilizado nas indstrias qumicas, foi selecionado como local de implementao
da rede neuronal selecionada, conforme apresentado na Figura 3.6. Este sistema dispe de
uma ferramenta de programao que utiliza a linguagem Visual Basic for Applications (VBA),

uma ferramenta aberta e disponvel para todo e qualquer software que trabalha com o sistema
operacional da Microsoft, caso do sistema supervisrio utilizado no presente trabalho.
Campo
Processo
Transmissor Analisador
CLP
Fieldbus de Gases
Sistema Analisador
SCADA Virtual
Sala de Controle
Figura 3.6. Localizao de implementao do analisador virtual na automao da planta
Utilizando as ferramentas disponveis no sistema supervisrio, foi desenvolvido um aplica-

tivo genrico, incluindo telas grficas e clculos computacionais, que permite a implementao
customizada no software iFix de uma rede neuronal MLP com uma nica camada escondida. Este
aplicativo foi definido de forma a ser parametrizado de acordo com as especificaes da rede,
incluindo conexes dos neurnios de entrada e dos neurnios de sada com os pontos corres-
pondentes na base de dados, ferramenta responsvel pela interface de aquisio de dados de campo.
Inicialmente, aps a implementao do analisador virtual no local selecionado, foi realizada
uma corrida experimental simulada. Nesta etapa inicial foi desenvolvido um aplicativo que
permite fornecer valores, em intervalos de tempo regulares, para as variveis de processo
disponveis na base de dados do sistema supervisrio definidas como entradas na rede neuronal.
O conjunto de dados fornecido durante este teste compreende o conjunto de dados utilizado
pelo software SANN durante a etapa de validao da rede selecionada. Os resultados obtidos
foram comparados com aqueles obtidos pelo software comercial, permitindo uma validao
simulada online do aplicativo.
Aps esta etapa de validao preliminar, foram realizadas novas corridas experimentais
para validao online do desempenho do analisador desenvolvido. Sendo assim, foram coletados
e armazenados em histrico os valores das variveis de processo medidas em tempo real, alm
dos valores calculados pelo aplicativo para a composio de gases a cada intervalo de tempo
fixo. A anlise de desempenho foi feita posteriormente, comparando-se os resultados coletados,
armazenados e recuperados das anlises online realizadas pelo equipamento analisador de gases
Testo 350 com aqueles obtidos pelo analisador virtual.

3.4.5 Manuteno do analisador virtual implementado

A etapa de manuteno do analisador virtual implementado e validado online atravs
da etapa anterior da metodologia, implica em retreinar a rede, agregando matriz de dados
fornecida inicialmente durante a etapa de aprendizado da rede, novas corridas experimentais
que tenham sido realizadas seguindo um procedimento anlogo ao j realizado. O treinamento,
utilizando esta nova matriz de dados, atualiza o conhecimento do modelo, permitindo uma re-
calibrao do analisador virtual, procedimento anlogo quele efetuado nos equipamentos
analisadores de gases disponveis. Este procedimento deve ser realizado periodicamente, ou
em funo de um diagnstico especfico observado ao longo da operao da planta, pois a
caldeira pode sofrer pequenos ajustes operacionais em suas campanhas, alm de sofrer uma
deteriorao gradativa em suas partes mecnicas, definindo um novo contexto operacional ao
longo do tempo, desconhecido da rede neuronal at ento implementada.
Esta etapa consiste em repetir as etapas de obteno e tratamento de dados, treinamento
e avaliao de desempenho da nova calibrao, efetuada independente da operao da planta,
pois utiliza dados histricos e, no caso do presente trabalho, o software SANN. Aps a obteno
da nova parametrizao, considerando que a topologia da rede utilizada a mesma, feita uma
atualizao imediata no analisador virtual, sem necessidade de interrupo da operao.
3.5 Algoritmos de diagnstico desenvolvidos

O objetivo da implementao dos algoritmos de diagnstico estudados no presente
trabalho desenvolver um algoritmo capaz de identificar e diagnosticar falhas operacionais
em uma caldeira semi-industrial que utiliza como combustvel o leo diesel, o leo biodiesel ou
uma mistura de ambos. A obteno desse diagnstico em tempo real, auxilia o operador na
tomada de deciso de interferir ou no no processo, atravs de ajustes operacionais na caldeira
que permitam a maximizao da eficincia do processo e a minimizao de danos ambientais.
Conforme descrito anteriormente, atravs da utilizao das variveis de processo
disponibilizadas online no sistema SCADA foi desenvolvido um analisador virtual de
composio dos gases da caldeira, atravs de uma rede neuronal, projetada como um modelo de
regresso no-linear, para predio das composies de oxignio, gs carbnico, dixido de
carbono, monxido de nitrognio, dixido de nitrognio e dixido de enxofre em funo da
anlise das variveis de processo medidas online.

As variveis de processo disponibilizadas pelo analisador de gases Testo 350 so

infrequentes e, no contexto atual da planta, no so disponibilizadas online. Apesar de ser utilizado
para anlise insitu, o equipamento retirado periodicamente para manuteno, o intervalo de
amostragem (1 minuto) grande, assim como o ciclo de purga (7 minutos a cada 10 minutos
corridos), tempo durante o qual no so feitas anlises, e os resultados so analisados somente a
posteriori da realizao das corridas. Por outro lado, as informaes obtidas pelo analisador
virtual desenvolvido no presente trabalho podem ser utilizadas, em paralelo ao dispositivo
comercial, para promover um diagnstico operacional da caldeira.
Sendo assim, o presente trabalho propem tambm uma ferramenta de identificao
de falhas e diagnstico operacional da caldeira, atravs de uma anlise categrica, em tempo
real, dos sintomas apresentados, em funo das seguintes informaes:
medies online das variveis de processo disponveis no sistema SCADA atravs
da instrumentao fieldbus;
predies online disponveis no sistema SCADA atravs do analisador virtual
desenvolvido;
anlises de gases fornecidas pelo equipamento analisador quando disponveis;
anlises online das variveis de diagnstico auxiliares disponibilizadas para cada
varivel de processo atravs da instrumentao fieldbus que podem ser configuradas
e monitoradas no sistema SCADA;
anlises online das variveis de diagnstico auxiliares disponibilizadas para cada
varivel de processo no sistema SCADA.
A Figura 3.7 apresenta um esquema correspondente ao fluxo de informao ao longo do

algoritmo de diagnsticos proposto no presente trabalho, incluindo a troca de informao entre
o processo, a instrumentao fieldbus, o sistema SCADA e o analisador de gases desenvolvido.
Analisador Dados do informaes infrequentes

de Gases Analisador
Analisador
Processo Virtual Dados do
Analisador
Instrumentao Virtual Diagnstico
Fieldbus Operacional
da Caldeira
Dados de
Processo
Sistema
SCADA Dados de
diagnsticos
auxiliares
Figura 3.7. Fluxo de informao ao longo do algoritmo de diagnsticos desenvolvido

3.5.1 Metodologia de desenvolvimento do algoritmo de

diagnsticos operacionais
Aps o desenvolvimento e validao do analisador virtual para o monitoramento da emisso
de gases residuais da caldeira, de forma a aprimorar a etapa de manuteno descrita anteriormente,
foram definidas algumas regras para deteco, identificao e diagnstico de eventuais falhas
operacionais da caldeira. Vale ressaltar que este algoritmo leva em considerao as informaes
correspondentes aos dados de processo, disponibilizadas pelo sistema de automao implementado,
as predies da composio dos gases residuais da combusto fornecidas pelo analisador virtual
desenvolvido e as anlises disponibilizadas pelo analisador de gases, quando possvel.
Considerando que a etapa de manuteno essencialmente importante para manter a
preciso e a acurcia das medidas fornecida pelo analisador virtual, este diagnstico auxiliar
na identificao de quando, ou com que frequncia, ela deve ocorrer, ou mesmo na definio da
periodicidade de uma manuteno preventiva. O presente trabalho prope uma metodologia
de diagnsticos operacionais, baseada na experincia adquirida pelos engenheiros e operadores de
processos industriais em funo dos sistemas de automao industrial disponveis nas plantas.
Neste sentido, as regras de deteco, identificao e diagnstico devem levar em considerao
os critrios de diagnstico intrnsecos a tecnologia utilizada na instrumentao disponvel na
planta, incluindo a instrumentao fieldbus e o sistema SCADA.
As informaes de diagnstico disponveis so bastante pontuais, tendo como objetivo
fornecer ao operador o maior nmero de informaes possveis em relao instrumentao em
operao. Normalmente, o operador deve analisar este conjunto de informaes e traduzi-lo em
regras operacionais precisas que auxiliem na tomada de deciso segura e otimizada, visando at
possveis interferncias na conduo do processo. No entanto, o nmero de informaes a serem
analisadas em paralelo bastante grande e nem sempre o operador tem o conhecimento prvio
do processo, ou mesmo do diagrama P&I estrutural da planta, dificultando a tomada de
deciso, alm de prover aes diferentes para um mesmo contexto de diagnstico de acordo
com a experincia particular do operador de cada turno (KATAEV et al, 2007).
Os diagnsticos propostos no presente trabalho agregam conhecimento aos diagnsticos
disponveis pelo sistema de automao, de forma a exercer o papel de gerenciador de estados de
falha, priorizando os eventos mais relevantes ao diagnstico operacional da planta como um todo,
simplificando sua funcionalidade.

3.5.2 Diagnsticos operacionais disponveis na

instrumentao fieldbus
O desenvolvimento da instrumentao fieldbus e a utilizao de uma linha de transmisso
digital, em contrapartida comunicao analgica utilizada na tecnologia anterior, permitiu a
disponibilidade de outras caractersticas funcionais do instrumento, alm do valor de medio.
Atravs da anlise sistemtica dos sinais medidos e alguns algoritmos matemticos designados
para compor a inteligncia do equipamento, estes dispositivos podem enviar ao computador
responsvel pela monitorao e superviso do processo o status do seu sinal de medida, realizando
um autodiagnstico. Vale ressaltar que, apesar do protocolo de comunicao fieldbus ser padro-
nizado, ele possui uma arquitetura aberta, permitindo ao desenvolvedor do instrumento disponibilizar
funes com caractersticas prprias, prontas a serem configuradas e utilizadas pelo usurio.
Todos os equipamentos que compem a instrumentao da planta industrial estudada
no presente trabalho foram adquiridos da SMAR Equipamentos Industriais. Estes instrumentos
possuem um bloco denominado de transducer, que disponibiliza um valor de status entre 0 e 227
(SMAR, 2009b). Este valor pode ser convertido atravs das relaes apresentadas na Tabela 3.9
para identificar e diagnosticar a situao do instrumento em tempo real. Esta tabela apresenta
as duas categorias de identificao de falha disponibilizadas pelo fabricante: a categoria principal
e a categoria secundria.
Tabela 3.9. Categorias de identificao de falhas disponveis nos equipamento fieldbus utilizados
Identificao Principal Identificao

Secundria
falha no sinal incerteza no sinal sinal confivel
Not Limited
0a 64 a 128 a Low Limited
BAD UNCERTAIN GOOD
63 127 227 High Limited
Constant
OBS.: As caractersticas foram mantidas na sua lngua original, conforme apresentado no equipamento.
Fonte: SMAR, 2009b.
A identificao principal indica o resultado da primeira anlise avaliado pela funo de

diagnstico, em funo do sinal enviado pelo instrumento e do seu algoritmo de anlise. Esta
primeira anlise identifica a ocorrncia de uma falha no sinal (bad), indica a possibilidade da
ocorrncia ou no de falha no sinal (uncertain) ou a ausncia de falhas (good), indicando o nvel
de confiabilidade do mesmo. Por sua vez, a identificao secundria indica se o sinal est abaixo
(low limited) ou acima do esperado (high limited), quando o usurio configurar estes limites, se o
sinal no foi limitado (not limited) ou se o sinal est constante (constant).

Aps a identificao de um estado de falha, a funo de diagnstico do instrumento realiza

uma segunda anlise, em funo do sinal enviado pelo instrumento, do seu algoritmo de anlise
e dos limites operacionais configurados previamente pelo usurio. Esta anlise, mais aprofundada,
oferece ao operador um diagnstico preliminar da situao do instrumento, permitindo uma
interferncia humana, ou automtica, mais adequada e especfica para a normalizao operacional
da planta. A Tabela 3.10 apresenta os diagnsticos de tipos de falha disponveis nos instrumentos
utilizados, separados por categoria de identificao principal.
Tabela 3.10. Diagnsticos de tipos de falha disponveis nos equipamento fieldbus utilizados
Ocorrncia Tipos de Falha

Non specific
Configuration error
Not connected
Device failure
falha no sinal (BAD)
Sensor failure
No communication with last usable
value
No communication with no usable value
Out of service
Non specific
Last usable value
Substitute
incerteza no sinal
Initial value
(UNCERTAIN)
Sensor convertion not accurate
Engineering unit range violation
Sub-normal
OBS.: As caractersticas foram mantidas na sua lngua original, conforme apresentado no equipamento.
Fonte: SMAR, 2009b.
A tecnologia fieldbus, devido principalmente a sua caracterstica de comunicao atravs

de uma rede digital de informaes, permite o monitoramento de sinais diretos, provenientes de
um sensor, e de sinais indiretos, provenientes de blocos de funo utilizados na construo das
malhas de controle, tais como malhas PID e blocos de clculo (SMAR, 2009a). Portanto, para
ampliar o conhecimento operacional do processo, os sinais diretos disponveis na rede fieldbus,
ao serem diagnosticados como confiveis passam ainda por segunda uma etapa de diagnstico
da informao, conforme apresentado na Tabela 3.11, em funo de limites operacionais de
alarme.

Tabela 3.11. Diagnsticos de informao para sinais diretos disponveis nos equipamentos fieldbus utilizados
Ocorrncia Caracterstica da configurao Diagnstico da informao

Non specific
Active block alarm
sinal Active advisory alarm
Sinal direto
confivel Non Cascade
Active critical alarm
(GOOD) Unacknowledged block alarm
Unacknowledged advisory alarm
Unacknowledged critical Alarm
OBS.: As caractersticas foram mantidas na sua lngua original, conforme apresentado no equipamento. Fonte: SMAR, 2009b
3.5.3 Diagnsticos operacionais disponveis no sistema SCADA

O sistema supervisrio SCADA, analogamente instrumentao fieldbus, foi desenvolvido
com o objetivo principal de monitorar um processo em tempo real. Entre as suas principais
funes, alm de monitorar, armazenar e apresentar graficamente as variveis de processo, est
o gerenciamento de alarmes, permitindo um diagnstico prvio da informao fornecida pelas
variveis de processo (VALDMAN,B ; FOLLY; SALGADO, 2008). Sendo assim, cada
varivel configurada no sistema SCADA pode, dependendo da opo do usurio de utilizar ou
no estes recursos, apresentar alguns diagnsticos de eventos para monitorao do operador,
conforme apresentado a Figura 3.8.
Figura 3.8. Gerenciamento de ocorrncias - detalhe do rodap da tela principal de operao da caldeira
Aplicando a terminologia utilizada em sistemas de diagnsticos de falhas citada no

subitem 2.3.3, as principais funes exercidas pelo gerenciador de diagnsticos de falhas
disponvel no sistema SCADA iFix podem ser divididas em quatro grupos:
Deteco da ocorrncia detecta a ocorrncia de um evento de falha relacionado a uma

das variveis previamente configuradas e habilitadas para serem gerenciadas no sistema
de diagnstico;

Isolamento da ocorrncia identifica as principais informaes relacionadas ocorrncia

de falhas, ou mau funcionamento;
Identificao da ocorrncia detalhamento do estado de falha que disparou a ocorrncia

do evento, identificando a confiabilidade da informao (qualidade da informao) e
qual dos limites comportamentais previamente definidos para aquela varivel est
sendo violado (identificao dos sintomas);
Reconhecimento da ocorrncia ao feita manualmente pelo operador, informando

ao sistema que tomou conhecimento da situao de falha ao reconhecer a ocorrncia.
As variveis disponveis no sistema supervisrio para auxiliar o detalhamento das funes

de deteco e isolamento so apresentadas na Tabela 3.12 (IFIX, 2003) e cada varivel configurada
na base de dados possui este subconjunto de variveis associadas ao seu diagnstico.
Tabela 3.12. Diagnsticos disponveis no sistema SCADA para Deteco e Isolamento da ocorrncia
Funo Cdigo Descrio
Deteco Habilitao ou no da participao da varivel no

ENAB
da gerenciamento de eventos
Ocorrncia CUALM Identificao do evento em andamento
ALMINTIME Data e hora da ocorrncia do evento
ALMLASTTIME Data e hora da ocorrncia do ltimo evento

Isolamento
da ADI rea de classificao do evento
Ocorrncia
Identificao do evento de maior severidade no
LAALM
reconhecido
NALM Identificao de eventos no reconhecidos
Vale ressaltar que estes eventos so monitorados em tempo real, apresentados ao operador
no rodap da telas grficas, e armazenados em histrico, permitindo consultas futuras quando
necessrio. Alm disso, o reconhecimento de uma ocorrncia feito pelo operador no significa
necessariamente a correo da falha, apenas mantm um registro de cincia da situao no sistema.
As variveis de identificao dos eventos CUALM, LAALM e NALM, citadas
anteriormente, so responsveis pela identificao da qualidade da informao e dos sintomas
apresentados pela varivel de processo em estado de falha. A Tabela 3.13 apresenta as informaes
disponveis pelo sistema SCADA iFix para a identificao da qualidade do sinal correspondente
quela varivel e para a identificao dos sintomas apresentados. A anlise dos sintomas

realizada atravs da comparao do valor monitorado com determinados limites de alarme

configurados especificamente para cada varivel habilitada para ser acompanhada atravs dos
recursos de gerenciamento de eventos.
Tabela 3.13. Diagnsticos disponveis no sistema SCADA para identificao da ocorrncia
Funes Cdigo Prioridade Descrio
COMM 1 Erro de comunicao

Valor fora da faixa configurada para o instrumento,
OVER 1
Qualidade do acima do valor mximo
Sinal Valor fora da faixa configurada para o instrumento,
UNDER 1
abaixo do valor mnimo
OK 5 Valor normal
HIGH HIGH 2 Valor acima de um limite definido como muito alto
HIGH 3 Valor acima de um limite definido como alto
LOW LOW 2 Valor abaixo de um limite definido como muito baixo

Limites de
Alarme
LOW 3 Valor abaixo de um limite definido como baixo
Diferena limite entre valores para deteco de um
DEV 4
novo alarme
ROC 3 Diferena limite entre valores consecutivos

CAPTULO 4
Desenvolvimento do
sensor virtual
4.1 Apresentao
Este captulo apresenta o resultado da etapa de tratamento dos dados experimentais
coletados, incluindo um tratamento inicial desses valores, indicando quais variveis foram excludas
ou calculadas para otimizar a etapa de aprendizado da rede neuronal e, devido s caractersticas
dinmicas do teste, quais os perodos do teste a serem considerados.
Em seguida, so apresentados os resultados de uma avaliao preliminar das melhores redes

obtidas utilizando os dados histricos tratados e de uma nova avaliao das melhores redes obtidas
aps a reduo de dimenso do algoritmo. Em funo destes resultados, apresentada uma
descrio mais detalhada da rede neuronal de melhor desempenho, selecionada para ser
implementada online como analisador virtual de gases resultantes da queima da caldeira.

Captulo 4. Desenvolvimento do sensor virtual 76
4.2 Obteno dos dados histricos

Inicialmente, as variveis online coletadas pelo sistema supervisrio e pelo analisador
de gases produziram uma tabela de dados histricos brutos. A Tabela 4.1 apresenta todas as
variveis coletadas, agrupadas conforme o circuito: gua, combustvel, vapor e gases residuais.
Tabela 4.1. Variveis experimentais coletadas
Origem Circuito Varivel Descrio Tipo de Varivel
Corrida Identifica se a corrida rplica ou no Manual

Data Data da Coleta Coletada
Tempo
Hora Hora da Coleta Coletada
Minutos Minutos corridos desde o incio da corrida Calculada
Combustvel Percentual de mistura biodiesel/diesel Manual
LIT1013(%) Nvel do tanque de alimentao de combustvel Coletada
Combustvel
Sistema Supervisrio
TIT1011(C) Temperatura do leo Combustvel Coletada

SI1046(%) Regulagem do soprador para obter o Excesso de Ar desejado Manual
LIT1021(L) Nvel do tanque de alimentao de gua Coletada
FIT1024(Kg/h) Vazo de gua de alimentao Coletada
gua
TIT1023(C) Temperatura da gua de alimentao Coletada
LIT1026(%) Nvel da caldeira Coletada
FIT1031(m/h) Vazo de vapor Coletada
Vapor PIT1032(psi) Presso de vapor na linha Coletada
TMFIT1031(Kg) Totalizao de vapor produzido Calculada
Eficincia CA_EF(%) Eficincia da caldeira Calculada
Gases Residuais TIT1042(C) Temperatura dos gases residuais Coletada
Hora Hora da coleta Coletada
Tempo
Minutos Minutos corridos desde o incio da corrida Calculada
Analisador de Gases
%O2 Concentrao de oxignio Coletada

ppmCO Concentrao de monxido de carbono Coletada
%CO2 Concentrao de dixido de carbono Coletada
Gases Residuais ppmNO Concentrao de monxido de nitrognio Coletada
ppmNO2 Concentrao de dixido de nitrognio Coletada
ppmSO2 Concentrao de dixido de enxofre Coletada
%ar Excesso de ar medido Calculada
O objetivo desta etapa era comprovar o pleno funcionamento do sistema de automao

implementado, permitindo a monitorao das variveis ao longo da corrida, assim como a recupe-
rao total dos dados armazenados em histrico para todas as variveis de processo envolvidas.

O intervalo de tempo mnimo para aquisio de dados configurado no sistema supervisrio

para cada varivel de processo monitorada de 1 segundo. A Figura 4.1 apresenta um exemplo
dos perfis temporais dos dados histricos para todas as variveis de processo, obtidos atravs do
sistema supervisrio para a corrida D_3.
TIT1023(C) - Temperatura da agua de alimentao TIT1042(C) - Temperatura dos gases de combusto
50 250
45
40 200
35
30 150
25
20 100
15
10 50
5
0 0
0 4000 8000 12000 16000 0 4000 8000 12000 16000
tempo, s tempo, s
FIT1024(kg/h) - Vazo de gua de alimentao TIT1011(C) - Temperatura do combustvel
4,0 50
3,5 45
40
3,0
35
2,5 30
2,0 25
1,5 20
15
1,0
10
0,5 5
0,0 0
0 4000 8000 12000 16000 0 4000 8000 12000 16000
tempo, s tempo, s
LIT1021(%) - Nvel da gua de alimentao FIT1031(kg/h) - Vazo de vapor
120 800
700
100
600
80
500
60 400
300
40
200
20
100
0 0
0 4000 8000 12000 16000 0 4000 8000 12000 16000
tempo, s tempo, s
PIT1032(psi) - Presso na linha de vapor LIT1013(L) - Nvel do tanque de combustvel
70 250
60
200
50
150
40
30
100
20
50
10
0 0
0 4000 8000 12000 16000 0 4000 8000 12000 16000
tempo, s tempo, s
LIT1026(%) - Nvel de gua na caldeira TMFIT1031(kg) - Totalizao da vazo de vapor
160 1800
140 1600
1400
120
1200
100
1000
80
800
60
600
40
400
20 200
0 0
0 4000 8000 12000 16000 0 4000 8000 12000 16000
tempo, s tempo, s
Figura 4.1. Perfis temporais de dados de histrico brutos obtidos para a corrida D_3

Em cada etapa da corrida, a demanda de vapor, a vazo de alimentao de combustvel e

a vazo de ar fornecida para a queima so mantidas constantes. No entanto, em funo do tempo
de durao de cada etapa de estado estacionrio das corridas experimentais apresentadas na
Tabela 4.2, ao manter o intervalo de aquisio mnimo para gerar a tabela de dados para anlise
de resultados, o nmero de pontos seria excessivamente grande, sobrecarregando o sistema de
anlise e manipulao numrica dos mesmos.
Tabela 4.2. Tempo de durao da corrida experimental
Tempo da Corrida (min) - Produo de vapor

Corrida
Experimental Excesso de Ar
30% 20% 10%
D_1 59 60 60
DBDd20_1 60 60 60
DBDd40_1 57 57 55
DBDd50_1 68 60 37
D_2 60 58 41
DBDd50_2 59 59 60
DBDd30_1 59 59 60
DBDd40_2 60 60 57
D_3 59 60 60
DBDd60_1 60 60 60
DBDd60_2 59 60 60
DBDd30_2 60 60 60
BDd100_1 60 44 49
D_4 60 60 60
Mdia 60 60 60
A tabela de dados fornecida para a anlise de resultados utilizou, por conseguinte, os

valores instantneos das variveis medidas, a cada intervalo de 1 minuto, com o objetivo de
reduzir a influncia do tempo elevado de processamento destes dados, mantendo os resultados
fidedignos com o comportamento do processo. Considerando o tempo mdio de 60 minutos,
cada corrida contabilizou uma mdia de 60 pontos por etapa e 180 pontos por corrida.

4.3 Tratamento de Dados de Histrico
Aps uma anlise preliminar dos dados de histrico coletados para todas as corridas
experimentais, foram definidos alguns filtros, eliminando as informaes no significativas
para o processo de anlise posterior. Devido a caractersticas comportamentais intrnsecas ao
projeto e estrutura fsica utilizada na montagem da caldeira, cujos dados so utilizados no
presente trabalho para definio de algoritmos de diagnstico, algumas das variveis disponibilizadas
atravs da instrumentao instalada no foram consideradas. Conforme pode ser visto a seguir, a
eliminao destas variveis foi feita em funo da anlise inicial dos resultados obtidos para
as corridas experimentais.
Alm de otimizar o nmero de variveis de processo utilizadas, a etapa de filtragem
permitiu a eliminao dos outliers e a otimizao do intervalo de coleta de dados, a partir do
banco de dados de histrico armazenado e disponibilizado pelo sistema supervisrio como
resultado preliminar de cada teste.
4.3.1 Filtro 1 Excluso de Variveis
4.3.1.1. Circuito de gua

O nvel do tanque de gua de alimentao (LIT-1021) medido no tanque externo de
gua e controlado localmente por uma boia de nvel, evitando que o tanque transborde. O
nvel de gua na caldeira (LIT-1026) medido internamente e controlado pelo controlador
dedicado a essa funo. O nvel gua de alimentao (LIT-1026) medido no tanque de
alimentao caldeira e a vazo de gua (FIT-1024) medida na sada deste tanque. O
comportamento desta vazo depende do controle de nvel interno da caldeira e do controle de
nvel do prprio tanque, sendo permitido atravs de uma boia de nvel alto. Considerando que
a malha de controle de nvel est baseada em uma lgica de acionamento e desacionamento da
bomba em funo do nvel baixo e alto da caldeira, respectivamente, a vazo de gua de
alimentao no constante ao longo do teste enquanto o nvel do tanque e o nvel interno da
caldeira possuem um comportamento cclico.
A Figura 4.2 apresenta os resultados obtidos durante a corrida experimental D_1 aps o
perodo de aquecimento, durante os primeiros 40 minutos de produo de vapor, coletados em
intervalos de 1 segundo. Observa-se ainda que as curvas anlogas obtidas para as demais corridas
apresentaram as mesmas caractersticas comportamentais. Este resultado comprova o funcionamento

do controle de nvel de gua na caldeira, pois a cada queda de nvel acentuada (nvel baixo), a
bomba acionada momentaneamente, sensibilizando o medidor de vazo, enchendo o tanque
interno da caldeira. Em consequncia, o nvel interno volta a subir at o nvel alto, desligando
em seguida a bomba de alimentao.
LIT1026(%) - Nvel do Tanque Interno de gua

LIT1021(%) - Nvel do Tanque Externo de gua
FIT1024(m3/h) - Vazo de gua de Alimentao
100,00 Combustvel: D 10,00
Corrida: 1
98,00 9,00
96,00 8,00
94,00 7,00
92,00 6,00
Vazo, m3/h
Nvel, %
90,00 5,00
88,00 4,00
86,00 3,00
84,00 2,00
82,00 1,00
80,00 0,00
4000 4500 5000 5500 6000 6500 7000 7500 8000
Tempo, s
Figura 4.2. Circuito de gua de alimentao da caldeira
Em paralelo, o nvel do tanque externo cai abruptamente, para em seguida receber gua
da rua e voltar ao nvel de operao antes do acionamento da bomba, mantendo-se dentro dos
limites de segurana pr-estabelecidos. A varivel de nvel do tanque externo de gua se comporta
em funo da varivel nvel do tanque de gua da caldeira, sendo que esta ltima est diretamente
relacionada ao funcionamento da caldeira. A varivel de nvel do tanque externo de gua de
alimentao (LIT-1026) foi excluda da matriz de dados utilizada para as anlises de diagnstico.
Alm disso, o padro comportamental em picos da varivel de vazo ocorre em funo
do tipo de malha de controle de nvel utilizado e da estrutura fsica de montagem da caldeira,
sendo, neste caso, considerado como uma caracterstica normal de operao. Sendo assim, a
varivel vazo da gua de alimentao (FIT-1024) foi excluda da matriz de dados utilizada
para as anlises de diagnstico. Um diagnstico preliminar, indica um super-dimensionamento
desta bomba, uma vez que a bomba de gua s mantida acionada durante um curto espao de
tempo, aumentando o desgaste da mesma principalmente em operaes contnuas de longo prazo.

4.3.1.2. Circuito de combustvel

O consumo de combustvel ao longo da corrida experimental pode ser acompanhado
atravs do transmissor de nvel instalado no tanque de alimentao de combustvel (LIT-1013),
cujas medies descrevem a rampa de inclinao negativa apresentada na Figura 4.3. Observa-se
que a rampa possui uma inclinao constante ao longo de todo o perodo de tempo, confirmando
que a vazo de alimentao mantida constante. Isso era esperado, pois a bomba de alimentao
possui uma rotao fixa e as vlvulas de alimentao ao queimador so vlvulas solenides.
LIT1013(L) - Nvel do Tanque de Alimentao

FT1013(L/hr) - Vazo de Combustvel (calculado)
Combustvel: D
300,00 Corrida: 1 45,00
40,00
250,00
35,00
200,00 30,00
Vazo, L/h
25,00
Nvel, L
150,00
20,00
100,00 15,00
10,00
50,00
5,00
0,00 0,00
0 50 100 150 200 250
Tempo, min
Figura 4.3. Consumo de combustvel
Considerando ainda que o nvel inicial de cada uma das 3 etapas operacionais efetuadas
durante o perodo de produo de vapor pode, ou no, ser o mesmo, dificultando anlises compa-
rativas e a caracterizao do comportamento em estado estacionrio desta varivel, esta informao
foi utilizada para o clculo da vazo de combustvel, conforme a Equao 4.1:
Lc( t ) Lc( t t )
Fc( t ) = * 60 (4.1)
t
onde: Fc, a vazo volumtrica do combustvel em L/h (FI-1013),

Lc, o nvel do tanque de alimentao de combustvel,
t, o intervalo de tempo definido para a freqncia de armazenamento de dados, 1 min,
t, o tempo em minutos,
A Figura 4.3 apresenta os valores contnuos medidos para o nvel do tanque de alimentao
em paralelo aos pontos calculados para a vazo de combustvel a cada intervalo de tempo de 1

minuto. Considerando que este clculo amplifica possveis erros de medio de nvel, podem-se
observar a presena de valores bastante distantes da mdia, ou outliers. Sendo assim, foi necessria
a aplicao de um filtro para retirada desses pontos, sem comprometer os resultados apresentados
para o conjunto de dados obtidos do processo.
Considerando que as faixas de operao do nvel no tanque de alimentao de combustvel
(LIT-1013) utilizadas durante cada etapa do teste no so constantes, pois dependem da rotina
operacional definida, da reposio de combustvel no tanque durante a corrida, do volume inicial
utilizado no teste, esta varivel foi excluda da matriz de dados utilizada para as anlises de
diagnstico e a varivel calculada vazo de combustvel (FI-1013) foi adicionada na mesma.
4.3.1.3. Circuito de vapor

A produo de vapor ao longo da corrida experimental pode ser acompanhada atravs
do transmissor de vazo instalado na linha de sada de vapor (FIT-1031) e atravs da massa de
vapor produzida acumulada calculada online (TMFIT-1031), conforme apresentado na Figura 4.4.
Esta varivel foi utilizada para o clculo da eficincia (CA_EF), conforme descrito anteriormente.
TMFIT1031(Kg) - Totalizao da Vazo de Vapor

FIT1031(Kg/h) - Vazo de Vapor
1600 Combustvel: D 700
Corrida: 1
1400
600
1200
500
1000
Totalizao, Kg
Vazo, Kg/h
400
800
300
600
200
400
100
200
0 0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000 13000 14000 15000
Tempo, s
Figura 4.4. Produo de vapor
Considerando que a varivel totalizada calculada em funo da vazo e seu comportamento

cumulativo, a totalizao da vazo de vapor foi eliminada do conjunto de dados utilizado para
as anlises de diagnstico.

4.3.2 Filtro 2 Excluso da dinmica transiente inicial

A vazo de vapor (FIT-1031) medida na linha de vapor que sai da caldeira e ajustada
no incio da produo de vapor atravs de uma vlvula manual. A presso de vapor (PIT-1032)
medida na linha de vapor, antes desta vlvula manual, medindo a presso ao longo de toda a
corrida. A temperatura dos gases residuais (TIT-1024) medida na linha de sada que conduz
os gases resultantes da queima do combustvel atmosfera. A Figura 4.5 apresenta os resultados
obtidos atravs destes transmissores, coletados em intervalos de 1 segundo, durante toda a
corrida experimental D_1.
FIT1031(Kg/h) - Vazo de Vapor

PIT1032(psi) - Presso na inha de Vapor
700 TIT1024(C) - Temperatura dos Gases da Chamin 80
Combustvel: D
Corrida: 1
70
600
60
500
50
Temperatura, C
Presso, psi
400
Vazo, Kg/h
40
300
30
200
20
100
10
0 0
0 1500 3000 4500 6000 7500 9000 10500 12000 13500 15000
Tempo, s
Figura 4.5. Etapas do teste
Observa-se nitidamente um perodo inicial transiente relativo etapa de aquecimento

da caldeira, onde no h produo de vapor, aps o qual so apresentados um ou mais patamares
de operao em estado estacionrio. As curvas correspondentes obtidas para as demais corridas
apresentaram as mesmas caractersticas comportamentais.
Em ambiente industrial o procedimento de aquecimento da caldeira sempre evitado,
pois significa um gasto de energia para aquecer a gua sem a produo de vapor correspondente,
e ocorre muito eventualmente, como por exemplo, aps perodos de parada da caldeira para
manuteno. Considerando ainda a dificuldade em estabelecer padres comportamentais em
perodos de operao transientes, sendo esta uma condio desfavorvel aos mtodos utilizados
no desenvolvimento dos algoritmos de diagnstico, todos os dados coletados durante a etapa de
aquecimento e durante a etapa de desligamento da caldeira no foram considerados nas anlises

posteriores. Alm deste perodo, os resultados coletados durante os perodos de transiente,

observados entre um ajuste da proporo de excesso de ar e outro (em intervalos de 1 hora) e
os perodos finais da corrida, etapa de desligamento da caldeira, tambm foram desconsiderados.
Sabendo que o final da etapa transiente inicial determinada atravs do incio da produo
de vapor e considerando uma variao natural na carga aps a abertura da vlvula de sada de
vapor para o ambiente, o incio do perodo estacionrio foi considerado aps 20 (vinte) minutos
da abertura da vlvula. Portanto, foram desconsiderados ainda os dados coletados nos primeiros
20 (vinte) minutos da etapa de produo de vapor.
Este procedimento de retirada do perodo de aquecimento do escopo de anlise dos dados
histricos, permitiu que a varivel excesso de ar alimentado durante a queima, considerada
inicialmente uma varivel categrica, pudesse ser analisada como uma varivel com 3 nveis
quantitativos (30%, 20% e 10%), conforme a varivel proporo de biodiesel na mistura.
4.3.3 Filtro 3 Remoo dos outliers

comum a presena de outliers, em dados de processo obtidos a partir da instrumentao
instalada em uma planta industrial. Estes valores, inconsistentes com a maioria dos pontos
armazenados, podem afetar de modo significativo o desempenho de qualquer algoritmo baseado
em dados histricos (FORTUNA et al, 2007). Apesar das solues tecnolgicas apresentadas
pelos fabricantes de instrumentao fieldbus para aumentar o desempenho desses instrumentos,
eliminando rudos e implementando mtodos de autodiagnstico em seus transmissores, o
presente trabalho utilizou um filtro simplificado para a eliminao dos outliers provenientes
de todos os sinais de campo para as variveis de processo.
O critrio de deteco adotado para a retirada destes valores do conjunto de dados brutos
baseou-se na regra de 3 desvios-padro mximo, onde o mdulo da distncia normalizada entre
o valor de cada varivel e sua respectiva mdia deve ser menor do que 3, conforme a Equao 4.2:
xi X x
di = <3 (4.2)
x
onde: di, a distncia normalizada entre o valor de cada varivel e sua respectiva mdia;
xi, o i-simo valor da varivel x;
X x , a mdia global dos valores da varivel x;
x, o desvio padro global da varivel x.

Quando o valor lido de uma varivel, em um determinado instante de tempo, no se

enquadra nesta regra, todas as variveis medidas naquele instante de tempo so eliminadas do
conjunto de dados.
Vale ressaltar que o filtro de outliers no foi aplicado aos resultados obtidos pelo analisador
de gases, pois o equipamento Testo 350 utilizado durante os testes foi programado para fornecer
os valores de mdias temporais de todas as variveis medidas e no valores instantneos.
4.3.4 Dados de histrico filtrados

Os filtros foram elaborados no software MATLAB, verso 7.0, atravs de aplicativos
desenvolvidos especificamente para serem aplicados s tabela de dados brutos, obtidos a partir
do sistema supervisrio e do analisador de gases. A evoluo no nmero de pontos dos
resultados coletados atravs do sistema supervisrio e atravs do analisador de gases aps a
aplicao dos filtros de cada etapa de tratamento de dados exibida nas Figuras 4.6 e 4.7,
respectivamente.
300
Nmero de pontos no sistema SCADA
250
200
150
100
50
0
D_1
D_2
D_3
D_4
D_BDd20_1
D_BDd30_1
D_BDd30_2
D_BDd40_1
D_BDd40_2
D_BDd50_1
D_BDd50_2
D_BDd60_1
D_BDd60_2
BDd100_1
Filtro 1 Variveis Excludas Filtro 2 Dinmica Transiente Filtro 3 Outliers
Figura 4.6. Nmero de pontos disponveis no sistema SCADA, aps a aplicao dos filtros por corrida experimental
Observa-se que o nmero de pontos reduzido aps a aplicao do filtro da dinmica

transiente, onde ocorre a retirada dos pontos experimentais obtidos durante o perodo de
aquecimento inicial. No entanto, aps a aplicao do filtro para retirada dos outliers, em geral,

no h uma reduo significativa nos pontos coletados pelo sistema supervisrio, confirmando a
robustez da instrumentao aplicada.
80
Nmero de pontos no analisador de gases
70
60
50
40
30
20
10
0
D_1
D_2
D_3
D_4
D_BDd20_1
D_BDd30_1
D_BDd30_2
D_BDd40_1
D_BDd40_2
D_BDd50_1
D_BDd50_2
D_BDd60_1
D_BDd60_2
BDd100_1
Filtro 1 Variveis Excludas Filtro 2 Dinmica Transiente
Figura 4.7. Nmero de pontos disponveis no analisador de gases, aps a aplicao dos filtros por corrida experimental
A Tabela 4.3 apresenta o nmero total de pontos coletados por corrida, antes e aps a
aplicao de cada um dos filtros supracitados no tratamento preliminar.
Tabela 4.3. Pontos experimentais por corrida aps a aplicao dos filtros de seleo de dados
Nmero total de pontos aps a aplicao dos filtros

Corrida Filtro 1 Variveis Filtro 2 Dinmica
Dados Brutos Filtro 3 Outliers
Experimental Excludas Transiente
Supervisrio Analisador Supervisrio Analisador Supervisrio Analisador Supervisrio Analisador
N total de variveis 18 7 14 7 14 7 14 7
D_1 232 56 232 56 172 49 88 49
D_2 193 55 193 55 139 47 114 47
D_3 277 56 277 56 179 48 176 48
D_4 240 69 240 69 175 58 166 58
D_BDd20_1 238 63 238 63 172 54 171 54
D_BDd30_1 241 62 241 62 186 54 184 54
D_BDd30_2 241 63 241 63 176 52 173 52
D_BDd40_1 232 55 232 55 165 49 164 49
D_BDd40_2 277 51 277 51 216 51 216 51
D_BDd50_1 215 61 215 61 162 56 155 56
D_BDd50_2 239 62 239 62 173 50 171 50
D_BDd60_1 228 63 228 63 190 57 184 57
D_BDd60_2 240 62 240 62 178 51 174 51
BDd100_1 167 52 167 52 147 48 143 48
Total 3260 830 3260 830 2430 724 2279 724

Ao analisar os resultados obtidos para o primeiro teste com diesel metropolitano puro (D_1),
observou-se que o nmero de outliers encontrados foi bastante acima do esperado, excluindo 62%
do nmero de pontos inicialmente coletados no sistema supervisrio, em contrapartida a mdia
de 30% de excluso encontrada para as demais corridas, conforme apresentado na Tabela 4.4.
Tabela 4.4. Comparao do nmero de outliers retirados por corrida aps a aplicao dos filtros
Nmero de pontos Outliers retirados aps a

aplicao dos filtros
Corridas coletados no
supervisrio Pontos %
D_1 232 144 62%

D_2 193 79 41%
D_3 277 101 36%
D_4 240 74 31%
D_BDd20_1 238 67 28%
D_BDd30_1 241 57 24%
D_BDd30_2 241 68 28%
D_BDd40_1 232 68 29%
D_BDd40_2 277 61 22%
D_BDd50_1 215 60 28%
D_BDd50_2 239 68 28%
D_BDd60_1 228 44 19%
D_BDd60_2 240 66 28%
BDd100_1 167 24 14%
Mdia
(desconsiderando a corrida D_1)
233 64 28%
Ao analisar mais detalhadamente os valores de dados histricos desta corrida, foram

detectadas algumas discrepncias nos valores medidos de presso e nvel da caldeira. Considerando
que esta foi a primeira corrida realizada, ainda na etapa preliminar de confirmao do pleno
funcionamento do sistema de automao, concluiu-se que o procedimento operacional no estava
suficientemente consolidado. No entanto, observa-se que, por questes de manuteno operacional
da caldeira, foram realizadas ao todo quatro rplicas para este tipo de combustvel (diesel puro).
Considerando que a especificao tcnica de ambas as remessas de leo diesel metropolitano
encontra-se dentro dos limites previamente definidos atravs de normas governamentais, o
nmero de rplicas permitiu, portanto, a excluso dos dados coletados nesta primeira corrida
experimental para as anlises posteriores.
Considerando ainda que esta alterao implica em novos valores para as mdias e desvios
padro para cada varivel, o filtro de outliers foi aplicado novamente aps a retirada dos dados

relativos corrida D_1 da matriz de dados brutos. O nmero de outliers resultante, em comparao
aos valores obtidos anteriormente, no apresentou alteraes significativas, conforme apresentado
na Tabela 4.5.
Tabela 4.5. Comparao de resultados do filtro de outliers, aps a retirada da corrida discrepante
Corridas Filtro 3 Outliers
Nmero total de corridas 14 13
Supervisrio Analisador Supervisrio Analisador
Nmero total de variveis 14 7 14 7

D_1 88 49 -- --
D_2 114 47 114 47
D_3 176 48 175 48
D_4 166 58 166 58
D_BDd20_1 171 54 171 54
D_BDd30_1 184 54 182 54
D_BDd30_2 173 52 173 52
D_BDd40_1 164 49 164 49
D_BDd40_2 216 51 216 51
D_BDd50_1 155 56 153 56
D_BDd50_2 171 50 171 50
D_BDd60_1 184 57 179 57
D_BDd60_2 174 51 174 51
BDd100_1 143 48 143 48
Total 2279 724 2181 675
4.3.5 Dados de histrico consolidados

Devido discrepncia entre o intervalo de aquisio das variveis medidas pelos
transmissores de processo e das variveis medidas pelo analisador de gases, foi necessrio
gerar um conjunto de dados de histrico especficos para o cruzamento destas variveis, tendo
como base o tempo de coleta. O cruzamento do conjunto de dados de histrico disponibilizados
pelo sistema supervisrio aps a aplicao dos filtros, com o conjunto de dados histricos
disponibilizados pelo analisador de gases, gerou uma matriz nica de tempo versus variveis
de medida. Esta matriz preliminar de dados consolidados desconsidera todos as variveis do
sistema supervisrio coletadas durante o perodo de limpeza do analisador, alm das variveis
coletadas pelo analisador de gases cujos tempo de aquisio foram filtrados em funo da
aplicao do filtro para remoo de outliers.

4.3.6 Condies operacionais

A matriz preliminar de dados de processo, fornecida como conjunto de amostras
padro para o estudo da rede, possui 17 (dezessete) variveis, coletadas ao longo de 13 (treze)
corridas para 7 (sete) diferentes composies de mistura entre leo diesel metropolitano e leo
biodiesel de dend e uma varivel categrica, utilizada em paralelo ao treinamento da rede
neuronal apenas para a identificao de cada corrida ao longo da anlise.
A Tabela 4.6 apresenta um panorama geral das condies operacionais de processo,
atravs das mdias e dos desvios padro obtidos para todas as variveis de processo medidas,
disponveis na planta piloto.
Tabela 4.6. Mdias e desvios padro obtidos para a matriz de dados de processo consolidada
Origem Circuito Varivel Descrio Mdias Desvio Padro
Corrida Identificao da corrida ---- ----
Combustvel Percentual de mistura biodiesel/diesel ---- ----
Combustvel FI1013(L/h) Vazo de alimentao de combustvel 29,013 2,565
TIT1011(C) Temperatura do leo combustvel 30,026 2,649

Sistema Supervisrio
Regulagem do soprador para obter o

SI1046(%) 20,199 8,201
excesso de ar desejado
LIT1026(%) Nvel da caldeira 62,927 5,101

gua
TIT1023(C) Temperatura da gua de alimentao 31,686 2,857
FIT1031(m/h) Vazo de vapor 435,727 18,032

Vapor
PIT1032(psi) Presso de vapor na linha 50,820 5,208
Eficincia CA_EF(%) Eficincia da caldeira 90,401 9,959
Gases Residuais TIT1042(C) Temperatura dos gases residuais 207,883 13,698
%O2 Concentrao de oxignio 3,347 1,187
ppmCO Concentrao de monxido de carbono 18,242 45,233

Analisador de Gases
%CO2 Concentrao de dixido de carbono 11,826 0,876
Gases Residuais ppmNO Concentrao de monxido de nitrognio 65,566 4,491
ppmNO2 Concentrao de dixido de nitrognio 1,592 1,092
ppmSO2 Concentrao de dixido de enxofre 12,556 6,402
%ar Excesso de ar medido 19,505 8,054

4.4 Avaliao preliminar das redes neuronais utilizando os dados

histricos
Durante o desenvolvimento de uma rede neuronal a ser implementada online em um
processo, so necessrias algumas consideraes prvias de forma a reduzir e otimizar o
universo de estudo. Neste sentido, foi realizada uma avaliao preliminar do desempenho de
redes do tipo MLP obtidas utilizando todas as variveis de processo, para definir a topologia
de rede a ser implementada. Em seguida, foi realizado um estudo de sensibilidade identificando
variveis de entrada de menor influncia sobre as variveis de sada que possam ser eliminadas
do escopo inicial. Redes do tipo RBF chegaram a ser consideradas no incio do estudo, mas
foram logo descartadas devido ao grande nmero de parmetros, dificultando a sua implementao
online e exigindo um nmero de padres durante a etapa de aprendizado muito acima do nmero
de pontos da matriz de dados histricos obtida no presente estudo (HUSSAIN, 1999; KADLEC;
GABRYS; STRANDT, 2009).
4.4.1 Caracterizaes iniciais

As variveis de entrada e de sada da rede neuronal utilizada na avaliao preliminar
da predio da anlise de gases residuais gerados pela caldeira, apresentadas na Tabela 4.7,
foram definidas em funo dos resultados encontrados na etapa anterior de tratamento de dados.
Tabela 4.7. Variveis de Entrada (independentes) e de Sada (dependentes) da rede neuronal preliminar

FI1013(L/h) Vazo de alimentao de combustvel Entrada
Combustvel TIT1011(C) Temperatura do leo Combustvel Entrada
Regulagem manual do soprador para
Sistema Supervisrio
SI1046(%) Entrada
obter o excesso de ar desejado
LIT1026(%) Nvel da caldeira Entrada
gua
TIT1023(C) Temperatura da gua de alimentao Entrada
FIT1031(m/h) Vazo de vapor Entrada
Vapor
PIT1032(psi) Presso de vapor na linha Entrada
Eficincia CA_EF(%) Eficincia da caldeira Entrada
Gases Residuais TIT1042(C) Temperatura dos gases residuais Entrada
%O2 Concentrao de oxignio Sada
Analisador de Gases
ppmCO Concentrao de monxido de carbono Sada

%CO2 Concentrao de dixido de carbono Sada
Gases Residuais Concentrao de monxido de
ppmNO Sada
nitrognio
ppmNO2 Concentrao de dixido de nitrognio Sada
ppmSO2 Concentrao de dixido de enxofre Sada

Algumas das variveis da matriz de dados de processo consolidada foram desconsideradas

no escopo desta anlise, pois neste trabalho o biodiesel utilizado para todas as misturas possui
a mesma origem (obtido a partir de dend) e a composio de ambas as remessas de diesel
metropolitano encontra-se dentro dos limites governamentais estabelecidos para comercializao
(conforme a documentao de especificao tcnica disponibilizada pela empresa fornecedora
do produto, enviada junto remessa). A varivel excesso de ar, disponibilizada pelo analisador
de gases, no foi utilizada com varivel de sada, por ser calculada em funo da concentrao de
oxignio, conforme especificado na Equao 3.3, podendo ser obtida a partir dos resultados das
anlises de composio. A varivel combustvel, informada manualmente pelo operador no incio
de cada teste foi excluda, pois o objetivo do presente trabalho desenvolver um modelo nico,
adequado ao leo diesel ou a uma mistura de leo diesel/leo biodiesel independente da composio
da mistura, devido indisponibilidade desta informao em tempo real durante a operao.
O pacote de anlise e treinamento das redes neuronais a partir do qual foram realizados os
estudos do presente trabalho o Statistica Automated Neural Networks (SANN), disponvel no
software Statistica verso 8.0 (STATISTICA, 2007). Esta ferramenta foi utilizada para treinar
redes do tipo MLP e tem por objetivo apresentar as redes neuronais de melhor resultado, dentro
de um universo de busca limitado atravs de parmetros iniciais, conforme apresentado na
Tabela 4.8, e dos padres fornecidos atravs da matriz de dados de processo.
Tabela 4.8. Parametrizao da ferramenta para busca da rede neuronal preliminar
Modelo Nmero de neurnios Funes de ativao

Tipo de Rede na camada escondida
estudado camada escondida/camada de sada
Mnimo Mximo
Identidade
Logstica
Regresso MLP 4 13 Tangente
Exponencial
Seno
A rede MLP foi estudada como um modelo de regresso, com 9 neurnios (nmero de
variveis de entrada) na camada de entrada, uma ou mais camadas escondidas com entre 4 e 13
neurnios cada uma e 6 neurnios na camada de sada (nmero de variveis de sada). Nesta
etapa de avaliao preliminar, os valores do nmero mnimo e mximo de neurnios na camada
escondida foram definidos, atravs dos critrios heursticos default do software SANN.
A matriz de dados de processo fornece os padres de amostragem para que a rede neuronal
possa ser treinada e validada. Esta matriz composta pelos resultados obtidos para o analisador

e para o sistema supervisrio ao longo da operao dos testes experimentais, aps a consolidao
da varivel tempo. A Tabela 4.9 apresenta o nmero final de padres disponveis na anlise
preliminar, distribudos para cada tipo de mistura.
Tabela 4.9. Nmero de pontos disponveis para cada mistura na anlise preliminar
Concentrao de Biodiesel na Nmero total

mistura (%) de padres
0 128
20 50
30 103
40 99
50 91
60 102
100 41
Total 614
Feitas estas consideraes iniciais, foi testado um total de 30 redes e apenas as 9 melhores
redes foram retidas ao final da anlise. A amostragem composta de 614 padres, dentre os
quais 491 padres (80% do total de padres) foram utilizados para o treinamento e 123 padres
(20% do total de padres) para a validao da rede neuronal. A proporo de distribuio do
nmero de padres para o treinamento e a validao utilizada foi dada pelos critrios heursticos
default do SANN.
4.4.2 Anlise comparativa preliminar

Essa etapa preliminar de anlise, comprova que a performance das redes neuronais treinadas
e validadas atravs da ferramenta utilizada no presente trabalho obteve resultados iniciais
satisfatrios, conforme comparao apresentada na Tabela 4.10. Todas as redes encontradas
possuem uma camada linear de entrada contendo 9 neurnios, uma camada escondida com
diferentes nmeros de neurnios cada, e uma camada de sada contendo 6 neurnios. Vale
ressaltar que os valores de performance analisados correspondem aos coeficientes de correlao R2
mdios, considerando o R2 calculado para a correlao entre o valor predito para cada varivel
de sada e seu respectivo valor observado.

Tabela 4.10. Performance comparativa das redes neuronais preliminares obtidas para o analisador virtual
Nmero de Funo de ativao nas

R2 mdio Erro mdio
Tipo neurnios camadas
por
Treinamento Validao Treinamento Validao Escondida Sada
camada
1 MLP 9-8-6 0,924704 0,903655 0,016411 0,024096 exponencial identidade
2 MLP 9-9-6 0,943449 0,917567 0,010658 0,020531 tangente identidade
3 MLP 9-8-6 0,918854 0,894828 0,015935 0,022908 tangente seno
4 MLP 9-5-6 0,895410 0,878576 0,019470 0,026590 logstica identidade
5 MLP 9-7-6 0,812871 0,804718 0,030295 0,037302 identidade tangente
6 MLP 9-4-6 0,727472 0,698085 0,053584 0,062765 seno exponencial
7 MLP 9-10-6 0,943012 0,922785 0,009857 0,016880 tangente identidade
8 MLP 9-8-6 0,812509 0,802609 0,029584 0,036625 identidade identidade
9 MLP 9-7-6 0,949920 0,939055 0,011964 0,018008 logstica logstica
Obs.: Funo Erro utilizada em todas as anlises leva em considerao a soma do quadrado dos erros.
Os resultados obtidos indicam que todos os modelos encontrados, apesar de apresentarem

topologias distintas, possuem altos ndices de performance, com valores acima de 0,8 para a
maioria das redes encontradas. Esses resultados comprovam a eficincia preliminar de redes do
tipo MLP para predio dos valores de composio dos gases provenientes da queima, em
funo das variveis de processo medidas online.
Ao analisar a Figura 4.8, observa-se que a rede neuronal do tipo MLP obtida, contendo
9 neurnios de entrada, 7 neurnios na camada escondida e 6 neurnios na camada de sada,
com funes de ativao do tipo logstica nas camadas escondida e de sada, obteve o melhor
desempenho em termos de R2 mdio, tanto para a etapa de treinamento quanto para a etapa de
validao do modelo.
1,0 180
166
0,9 160
150
0,8 140
134 134 134
Nmero de parmetros
0,7
118 118 120
2
Performance, R
0,6
100
0,5 86
80
0,4 70
60
0,3
0,2 40
0,1 20
0,0 0
MLP 9-7-6 MLP 9-10-6 MLP 9-9-6 MLP 9-8-6 MLP 9-8-6 MLP 9-5-6 MLP 9-7-6 MLP 9-8-6 MLP 9-4-6
(9) (7) (2) (1) (3) (4) (5) (8) (6)
Validao Treinamento Parametros
Figura 4.8. Anlise comparativa da correlao R2 mdio obtida para as redes preliminares

No entanto, a implementao online de um analisador virtual deve levar em considerao,

alm do desempenho das etapas de treinamento e validao, a complexidade computacional da
rede neuronal obtida (FORTUNA et al, 2007). Uma das formas de avaliar a complexidade
computacional atravs da anlise do nmero de parmetros necessrios para a especificao
do modelo, conforme apresentado na Tabela 4.11.
Tabela 4.11. Anlise comparativa do nmero de parmetros necessrios para as redes preliminares obtidas
Neurnios R2 mdio Erro mdio Nmero de parmetros

Tipo por
camada Treinamento Validao Treinamento Validao Pesos Biases Total
9 MLP 9-7-6 0,949920 0,939055 0,011964 0,018008 105 13 118
7 MLP 9-10-6 0,943012 0,922785 0,009857 0,016880 150 16 166
2 MLP 9-9-6 0,943449 0,917567 0,010658 0,020531 135 15 150
1 MLP 9-8-6 0,924704 0,903655 0,016411 0,0240956 120 14 134
3 MLP 9-8-6 0,918854 0,894828 0,015935 0,022908 120 14 134
4 MLP 9-5-6 0,895410 0,878576 0,019470 0,026590 75 11 86
5 MLP 9-7-6 0,812871 0,804718 0,030295 0,037302 105 13 118
8 MLP 9-8-6 0,812509 0,802609 0,029584 0,036625 120 14 134
6 MLP 9-4-6 0,727472 0,698085 0,053584 0,062765 60 10 70
A escolha da topologia de rede neuronal define o nmero total de parmetros da rede e

quanto maior o nmero de parmetros, maior a complexidade de implementao. Vale
ressaltar que, durante a etapa inicial deste estudo, redes do tipo RBF encontradas pelo pacote
SANN apresentavam centenas de parmetros, aumentando significativamente a complexidade
de implementao da mesma e prejudicando a obteno de dados em tempo real.
Portanto, corroborando a estatstica apresentada no levantamento de aplicaes de redes
neuronais implementadas em controle de processos qumicos realizado por HUSSAIN em 1999,
onde 90% das redes implementadas so do tipo MLP (HUSSAIN, 1999), a rede neuronal do tipo
MLP foi considerada adequada para a implementao do analisador virtual da composio dos
gases. Alm da definio do tipo de rede a ser implementada, esta anlise inicial indica que o
nmero de neurnios mximos na camada escondida, especificado inicialmente em 13, pode ser
reduzido, diminuindo a complexidade computacional na implementao.

4.4.3 Anlise de sensibilidade das variveis de entrada

Uma das questes prticas na implementao de redes neuronais online a minimizao
do tamanho da rede, mantendo um bom desempenho. Uma das tcnicas de reduo de
dimenso em redes denominada de poda. Aps a anlise inicial de uma rede de mltiplas
camadas grande com desempenho adequado para o problema em questo, pode-se eliminar certos
pesos sinpticos de forma ordenada e seletiva com o objetivo de reduzir a dimenso da rede
sem perdas de desempenho significativas (HAYKIN, 2001).
Ao excluir neurnios na camada de entrada, o nmero de sinapses realizadas pela rede ser
automaticamente reduzido. Sendo assim, foi feita uma anlise de sensibilidade para analisar a
influncia de cada varivel de entrada sobre as variveis de sada para identificar aquelas que
poderiam ser potencialmente eliminadas do escopo de anlise. A anlise de sensibilidade da
rede para cada varivel de entrada leva em considerao a razo entre o erro da rede obtido
utilizando a mdia dos valores para aquela varivel e o erro obtido empregando a variao
original da mesma. Assim, quanto maior for esta razo, mais importante ser a varivel para
determinar a capacidade preditiva da rede. Os resultados apresentados na Figura 4.9 correspondem
anlise de sensibilidade global realizado para todas as 9 redes MLP encontradas nesta anlise
preliminar.
8,00
6,76
7,00
5,80
6,00
5,00
Sensibilidade
4,00
3,12
2,78
3,00
2,33 2,19
2,00
1,10 1,06 1,06
1,00
0,00
TIT1011 TIT1023 FIT1031 PIT1032 SI1046 TIT1042 FI-1013 LIT1026 CA_EF
Variveis de entrada
Figura 4.9. Anlise de sensibilidade das variveis de entrada nas redes MLP preliminares

Analisando a sensibilidade mdia para cada varivel de entrada nas redes neuronais
preliminares apresentada na Figura 4.9, observa-se que o nvel de gua da caldeira (LIT1026),
a vazo de combustvel (FI-1013) e a eficincia da caldeira (CA_EF) exercem uma influncia
sobre o comportamento da composio dos gases residuais da combusto de peso 7 vezes menor do
que a temperatura do combustvel (TIT1011) ou a temperatura da gua de alimentao (TIT1023).
Devido caracterstica do sistema de alimentao de combustvel (uma bomba de vazo
constante e vlvulas solenides), a vazo de combustvel mantida constante. Sendo constante
ao longo de todos os experimentos, essa vazo no exerce influncia significativa na qualidade
dos gases residuais da queima eliminados pela caldeira. As flutuaes encontradas na varivel
calculada FI-1013 podem ser explicadas pela baixa frequncia de amostragem da varivel de
nvel LIT-1013 (1 minuto), varivel medida a partir da qual calculada a vazo.
A varivel eficincia da caldeira CA_EF uma varivel calculada, principalmente, em
funo da vazo de vapor (FIT-1031), conforme apresentado na Equao 3.1. A varivel de
nvel de gua da caldeira uma varivel controlada e tambm est intrinsecamente ligada
vazo de vapor produzida pela caldeira. Considerando que a varivel FIT-1031 uma varivel
de entrada da rede neuronal em anlise, as informaes de eficincia e de nvel de gua na
caldeira podem ser consideradas redundantes, sobrecarregando desnecessariamente o sistema.
Uma nova abordagem para o desenvolvimento do analisador virtual pode ser, portanto,
analisada aps uma simplificao da rede, ao eliminar as variveis de menor influncia do vetor
de variveis de entrada. Sendo assim, as variveis retiradas da matriz de dados brutos utilizada
para uma anlise mais detalhada da rede neuronal a ser implementada online foram:
FI1013 Vazo de combustvel, varivel calculada;
CA_EF Eficincia da caldeira, varivel calculada;
LIT1026 Nvel de gua na caldeira, varivel medida.
Observa-se que foram retiradas do escopo de variveis medidas as duas nicas variveis
calculadas, concentrando a anlise apenas nos dados de processo efetivamente medidos online.

4.5 Avaliao da rede neuronal aps a reduo de dimenso

Tendo em vista os bons resultados obtidos, os limites a as variveis de entrada definidos
inicialmente para o projeto das redes foram otimizados, de forma a analisar a possibilidade de
simplificao do modelo sem perder a qualidade dos resultados. Aps a definio do tipo de
rede a ser adotada para o desenvolvimento do analisador virtual e a reduo de dimenso da rede
atravs da eliminao de algumas variveis de entrada, foi feito um novo estudo comparativo
mais detalhado para determinar a rede neuronal a ser implementada.
4.5.1 Caracterizaes iniciais

Analogamente etapa de avaliao preliminar, as variveis de entrada e de sada da rede
neuronal utilizada para predio da anlise de gases residuais gerados pela caldeira so apresentadas
na Tabela 4.12.
Tabela 4.12. Variveis de Entrada (independentes) e de Sada (dependentes) da rede neuronal final

TIT1011(C) Temperatura do leo combustvel Entrada
Sistema Supervisrio
Combustvel Regulagem manual do soprador para

SI1046(%) Entrada
obter o excesso de ar desejado
gua TIT1023(C) Temperatura da gua de alimentao Entrada
FIT1031(m/h) Vazo de vapor Entrada
Vapor
PIT1032(psi) Presso de vapor na linha Entrada
Gases Residuais TIT1042(C) Temperatura dos gases residuais Entrada
%O2 Concentrao de oxignio Sada
Analisador de Gases
ppmCO Concentrao de monxido de carbono Sada

%CO2 Concentrao de dixido de carbono Sada
Gases Residuais Concentrao de monxido de
ppmNO Sada
nitrognio
ppmNO2 Concentrao de dixido de nitrognio Sada
ppmSO2 Concentrao de dixido de enxofre Sada
Conforme os resultados obtidos na etapa de anlise preliminar, as redes MLP foram

estudadas como um modelo de regresso, com 6 neurnios na camada de entrada, uma ou mais
camadas escondidas com um nmero de neurnios heuristicamente fixado entre 4 e 11 cada
uma e 6 neurnios na camada de sada, conforme apresentado na Tabela 4.13. Vale ressaltar,
alm da reduo no nmero de neurnios de entrada (9, anteriormente), houve uma reduo no
nmero mximo de neurnios na camada escondida (13, anteriormente). Naturalmente, uma
reduo no nmero estmulos na entrada, indica uma reduo na complexidade de processamento
da informao para gerao do conhecimento.

Tabela 4.13. Parametrizao da ferramenta para busca da rede neuronal
Modelo Nmero de neurnios Funes de ativao

Tipo de Rede na camada escondida
estudado camada escondida/camada de sada
Mnimo Mximo
Identidade
Logstica
Regresso MLP 4 11 Tangente
Exponencial
Seno
4.5.2 Matriz de dados histricos reduzida

A retirada de 3 variveis de medida da matriz de dados de histrico brutos pode influenciar
a etapa de tratamento de dados, principalmente a etapa de eliminao de outliers e, conse-
quentemente, a etapa de consolidao dos dados de histrico. Vale lembrar que ao identificar um
outlier em uma determinada varivel, a metodologia utilizada determina a eliminao de todos
os valores das demais variveis, eliminando portanto o padro de amostragem das variveis de
processo armazenadas atravs do sistema supervisrio daquele tempo. Durante a consolidao
temporal entre os dados do sistema supervisrio e do analisador de gases, ao identificar a falta
de um padro de variveis do sistema supervisrio equivalente ao determinado tempo de um
outro padro de variveis do analisador, este padro eliminado da matriz de dados consolidada.
Sendo assim, ao retirar uma varivel do escopo de anlise inicial cujo comportamento potencializa
a ocorrncia de outliers estes padres ora retirados podem voltar a fazer parte da matriz de
dados histricos a ser utilizada pela rede, ampliando o nmero de padres de amostragem.
Uma nova matriz de dados brutos foi, portanto, gerada, sobre a qual a etapa de tratamento
de dados foi repetida, definindo um novo conjunto de dados a ser alimentado durante as etapas de
treinamento e validao da rede neuronal. A Tabela 4.14 apresenta os resultados comparativos
entre a anlise da rede preliminar e a anlise atual para o nmero final de padres disponveis,
distribudos para cada tipo de mistura.
Tabela 4.14. Comparao do nmero de padres disponveis para cada mistura

Concentrao de Nmero de padres
Biodiesel na mistura (%) Anlise preliminar Anlise atual
0 128 134
20 50 50
30 103 105
40 99 99
50 91 94
60 102 103
100 41 42
Total 614 627

Tendo sido feitas estas consideraes iniciais, foi testado um total de 30 redes e apenas
as 10 melhores redes foram retidas ao final da anlise. A amostragem composta de 627 padres,
dentre os quais 502 padres (80% do total de padres) foram utilizados para o treinamento e
125 padres (20% do total de padres) para a validao da rede neuronal.
4.5.3 Anlise comparativa final de performance

A Tabela 4.15 apresenta os resultados obtidos para as redes neuronais encontradas na
anlise atual. Todas as redes encontradas possuem uma camada linear de entrada contendo 6
neurnios, uma camada escondida com diferentes nmeros de neurnios cada, e uma camada
de sada contendo 6 neurnios. O mtodo de treinamento foi o backpropagation, seguido do
mtodo do gradiente conjugado.
Tabela 4.15. Performance comparativa das redes neuronais tipo MLP obtidas aps a reduo de dimenso
neurnios Funo de ativao

R2 mdio Erro mdio Nmero de
ID na camada nas camadas
Parmetros
escondida Treinamento Validao Treinamento Validao Escondida Sada
3 10 0,952986 0,946016 0,010442 0,012691 136 tangente identidade
6 11 0,950884 0,945754 0,010425 0,012144 149 tangente tangente
2 9 0,950818 0,945001 0,010439 0,012051 123 logstica identidade
9 10 0,946133 0,878109 0,012956 0,047582 136 exponencial exponencial
5 6 0,856611 0,836599 0,029061 0,032258 84 identidade logstica
10 3 0,815636 0,830786 0,026959 0,026962 45 tangente identidade
1 3 0,753990 0,770222 0,038951 0,040060 45 seno identidade
8 10 0,756793 0,749959 0,048237 0,050260 136 seno exponencial
4 4 0,726722 0,722005 0,040876 0,043110 58 seno identidade
7 6 0,696149 0,708871 0,050601 0,051937 84 seno exponencial
Obs.: Funo Erro utilizada em todas as anlises leva em considerao a soma do quadrado dos erros.
Ao comparar ainda os resultados das 5 melhores redes obtidas na etapa de anlise preliminar
e na etapa atual, conforme apresentado na Tabela 4.16 e na Figura 4.10, observa-se que as
redes analisadas aps a reduo da dimenso apresentam melhores resultados de desempenho,
confirmando o desempenho aps a retirada das variveis de entrada menos significantes.

Tabela 4.16. Desempenho comparativo das 10 melhores redes neuronais tipo MLP obtidas para o analisador virtual
neurnios Funo de ativao
R2 mdio Erro mdio Nmero de
na camada nas camadas
Parmetros
3.b 10 0,952986 0,946016 0,010442 0,012691 136 tangente identidade
6.b 11 0,950884 0,945754 0,010425 0,012144 149 tangente tangente
2.b 9 0,950818 0,945001 0,010439 0,012051 123 logstica identidade
10.a 7 0,949920 0,939055 0,011964 0,018008 118 logstica logstica
7.a 10 0,943012 0,922785 0,009857 0,016880 166 tangente identidade
2.a 9 0,943449 0,917567 0,010658 0,020531 150 tangente identidade
1.a 8 0,924704 0,903655 0,016411 0,024096 134 exponencial identidade
3.a 8 0,918854 0,894828 0,015935 0,022908 134 tangente seno
9.b 10 0,946133 0,878109 0,012956 0,047582 136 exponencial exponencial
5.b 6 0,856611 0,836599 0,029061 0,032258 84 identidade logstica
Legenda: a anlise preliminar;
b anlise aps a reduo.
0,98
0,96
0,94
0,92
Performance, R2
0,90
0,88
0,86
0,84
0,82
0,80
0,78
0,76
3.b 6.b 2.b 10.a 7.a 2.a 1.a 3.a 9.b 5.b
Treinamento Validao
Legenda: a Redes testadas na etapa preliminar;

b Redes testadas aps a reduo da dimenso.
Figura 4.10. Anlise comparativa da correlao R2 mdio obtida durante a validao para as 5 melhores redes
preliminares e 5 melhores redes obtidas aps a reduo de dimenso
Existem muitas discusses quanto determinao da arquitetura, topologia e parame-

trizao tima para uma rede neuronal (MAIER; DANDY, 1998; BEBIS; GEORGIOPOULOS,
1994; KADLEC; GABRYS; STRANDT, 2009). Segundo Maier e Dandy (MAIER; DANDY,
1998), a relao entre o nmero de padres de amostragem para o treinamento e o nmero de
parmetros da rede neuronal (relao P/P) deve ser de pelo menos 1, 2, 10 ou at 30 vezes maior.
No entanto, este artigo ressalta que obtm bons resultados para uma srie de testes comparativos
de desempenho de redes MLP com uma nica camada escondida, utilizando uma relao entre
0,36 e 2,14.

Considerando a heurstica mais terica, baseada em estudos acadmicos, o nmero de 502

padres utilizados no treinamento das redes analisadas no presente trabalho e uma tolerncia mnima
de 0,9 no valor obtido para a correlao R2 para avaliao de desempenho durante a validao, a
relao entre o nmero de padres e o nmero de parmetros para as redes encontradas varia
entre 4,1 e 3,4, maiores do que os valores utilizados por Maier e Dandy.
Por outro lado, avaliando o ponto de vista prtico e comercial, a empresa NEURALWARE
(NEURALWARE, 2010), especializada no desenvolvimento de uma ferramenta de software
para implementao de redes neuronais recomenda que o nmero de padres necessrios para
treinar eficientemente uma rede deve ser de 10 a 40 vezes o nmero de variveis de entrada.
recomendado ainda a implementao de redes com uma nica camada escondida, cuja heurstica
para determinar o nmero de neurnios desta camada depende do nmero de entradas e sadas,
conforme a equao 4.3 abaixo:
NH = (V Entrada + VSada )* 2 3 (4.3)
onde: NH, o nmero de neurnios na camada escondida,

VEntrada, o nmero de variveis de entrada;
VSada, o nmero de variveis de sada.
Considerando esta heurstica, as 6 variveis de entrada e as 6 variveis de sada utilizadas

no presente trabalho, o nmero de neurnios da camada escondida deveria ser de, pelo menos, 8.
Ao considerar ambos os pontos de vista na seleo da rede neuronal mais adequada ao
problema em questo, a Tabela 4.17 apresenta as 6 redes obtidas com a correlao R2 mdio
maior do que 0,9 e nmero de neurnios na camada escondida maior do que 8.
Tabela 4.17. Desempenho comparativo das 6 melhores redes neuronais tipo MLP obtidas para o analisador virtual
Funo de ativao
neurnios R2 mdio Erro mdio
na camada
Nmero de
Relao P/P nas camadas
parmetros
3.b 10 0,952986 0,946016 0,010442 0,012691 136 3,7 tangente identidade
6.b 11 0,950884 0,945754 0,010425 0,012144 149 3,4 tangente tangente
2.b 9 0,950818 0,945001 0,010439 0,012051 123 4,1 logstica identidade
7.a 10 0,943012 0,922785 0,009857 0,016880 166 3,0 tangente identidade
2.a 9 0,943449 0,917567 0,010658 0,020531 150 3,3 tangente identidade
9.b 10 0,946133 0,878109 0,012956 0,047582 136 3,7 exponencial exponencial

Considerando que os erros mdios obtidos para as 3 melhores redes eram da mesma
ordem de grandeza, a rede selecionada para ser implementada como analisador virtual para a
predio da composio dos gases residuais da caldeira foi a rede 3.b, pois possui o maior
valor para a correlao R2 mdio obtida durante a validao. Esta rede possui 6 neurnios na
camada de entrada, 10 neurnios na camada escondida, cuja funo de ativao a tangente
hiperblica, e 6 neurnios na camada de sada, cuja funo de ativao a identidade.
4.6 Analisador virtual da composio dos gases da caldeira
4.6.1 Topologia
A rede neuronal do tipo MLP selecionada para ser aplicada como analisador virtual de
gases residuais da caldeira possui 6 neurnios na camada de entrada, 10 neurnios na camada
escondida e 6 neurnios na camada de sada, conforme topologia apresentada na Figura 4.11.
O2 Concentrao de
(%) Oxignio
Temperatura da TIT1023
gua de alimentao (C) Concentrao de
CO
monxido de
Temperatura dos TIT1042 (ppm)
carbono
gases da chamin (C)
CO2 Concentrao de
Temperatura do leo TIT1011 (%) dixido de carbono
Combustvel (C)
Concentrao de
FIT1031 NO
Vazo de Vapor monxido de
(m/h) (ppm)
nitrognio
Presso de vapor na PIT1032 Concentrao de
NO2
linha (psi) dixido de
(ppm)
nitrognio
Regulagem do SI1046
soprador (%) SO2 Concentrao de
(ppm) dixido de enxofre
Figura 4.11. Topologia da rede neuronal desenvolvida como modelo para o analisador virtual

4.6.2 Pr e Ps-tratamento
As variveis de entrada e as variveis de sada devem passar por um pr-tratamento e
um ps-tratamento, respectivamente, onde as todas as variveis so escalonadas para variarem
entre 0 e 1, normalizando a influncia da ordem de grandeza das variveis de entrada nas
variveis de sada.
Cada varivel de entrada da rede, ao passar pelo seu respectivo neurnio de entrada,
escalonada de acordo com seus valores mximo e mnimo, conforme a equao de normalizao
apresentada na Equao 4.4:
I i MinI i
NI i =
MaxI i MinI i
(4.4)
Ii MinI i
=
MaxI i MinI i MaxI i MinI i
onde: NIi, o valor de sada do i-simo neurnio da camada de entrada,

Ii, o valor da varivel de entrada correspondente ao i-simo neurnio da camada de entrada,
MaxIi, o valor mximo encontrado no conjunto de dados apresentados para a i-sima
varivel de entrada,
MinIi, o valor mnimo encontrado no conjunto de dados apresentados para a i-sima
varivel de entrada.
Considerando que os valores mnimo e mximo so constantes para cada varivel de

entrada, obtemos a Equao 4.5:
NI i = ( I i * AI ) BI (4.5)
1
onde AI =
MaxI i MinI i
MinI i
BI =
MaxI i MinI i
Analogamente s variveis de entrada, cada varivel de sada da rede neuronal, aps

passar pelo seu respectivo neurnio na camada de sada, re-escalonada em suas correspondentes
unidades de engenharia, de acordo com seus valores mximo e mnimo, conforme a equao de
normalizao apresentada na Equao 4.6:
Si = NSi * ( MaxSi MinSi ) + MinSi (4.6)

onde: Si, o valor da i-sima varivel de sada,

NSi, o valor de sada do i-simo neurnio da camada de sada,
MaxSi, o valor mximo encontrado no conjunto de dados apresentados para a i-sima
varivel de sada,
MinSi, o valor mnimo encontrado no conjunto de dados apresentados para a i-sima
varivel de sada.
Considerando que os valores mnimo e mximo so constantes para cada varivel de

entrada, obtemos a Equao 4.7:
Si = (NSi * AS ) + BS (4.7)
onde AS = MaxSi MinSi

BS = MinSi
Os parmetros de escalonamento utilizados no pr-tratamento e no ps-tratamento so

apresentados na Tabela 4.18, onde os valores dos parmetros A e B correspondentes ao pr e
ps-tratamento foram calculados atravs da Equao 4.5 (AI e BI) e da Equao 4.7 (AS e BS),
respectivamente.
Tabela 4.18. Parametrizao do pr e ps-tratamento das variveis
Tipo de Tratamento Varivel Mnimo Mximo A B

TIT1023 (C) 24,69 35,52 0,092336 2,279778
TIT1042 (C) 176,90 227,83 0,019635 3,473395
Pr-tratamento TIT1011 (C) 23,64 34,25 0,094251 2,228087
(equao 4.5) FIT1031 (Kg/h) 390,44 480,88 0,011057 4,317116
PIT1032 (psi) 41,37 66,33 0,040064 1,657452
SI1046 (%) 10,00 30,00 0,05 0,50
%O2 1,10 5,35 4,25 1,10
ppmCO 0,00 423,00 423,00 0,00
Ps-tratamento %CO2 10,28 13,48 3,20 10,28
(equao 4.7) ppmNO 54,00 75,00 21,00 54,00
ppmNO2 -0,50 4,10 4,60 -0,50
ppmSO2 -1,00 33,00 34,00 -1,00
Os valores resultantes do pr-tratamento so encaminhados aos respectivos neurnios

da camada de entrada. Analogamente, os valores resultantes dos neurnios da camada de sada
so escalonados atravs dos respectivos parmetros do ps-tratamento.

Considerando que medidas de concentrao menores do que zero no tem consistncia

cientfica, foi acrescentada uma segunda etapa de ps-tratamento para adequar os resultados
matemticos aos resultados fsico-qumicos, agregando conhecimento rede. Portanto, nesta
etapa, todos os neurnios de sada que apresentam valores negativos como resultado da anlise
so zerados.
4.6.3 Funes de ativao

Conforme visto no subitem 2.4.1, alm do limite interno de ativao, cada camada de
neurnio possui uma funo de ativao caracterstica. A funo de ativao da camada de entrada
corresponde ao prprio pr-tratamento, conforme citado anteriormente.
A funo de ativao utilizada nos neurnios da camada escondida a tangente hiperblica,
conforme apresentado na Equao 4.8.
f ( H pj ,k +1 ) = tanh( H pj ,k +1 ) (4.8)
onde: Hpj,k+1, a resposta produzida pelo j-simo neurnio da camada escondida.
A funo de ativao utilizada nos neurnios da camada de sada a identidade, conforme

apresentado na equao 4.9.
f j ,k +1 (O pj ,k +1 ) = O pj ,k +1 (4.9)
onde: Opj,k+1, a resposta produzida pelo j-simo neurnio da camada de sada.
4.6.4 Parametrizao da rede

Considerando que cada conexo possui um peso sinptico e cada neurnio possui um
limite interno de ativao, ou bias, a rede neuronal selecionada envolve a utilizao de um
total de 136 parmetros.
A Tabela 4.19 exibe os valores de pesos e biases para a parametrizao encontrada
com o mesmo nmero de casas decimais gerados pelo SANN, e posteriormente implementados,
evitando arredondamentos e aumentando a acurcia das predies.

Tabela 4.19. Parametrizao da rede neuronal desenvolvida como modelo para o analisador virtual
Pesos
Camada Entrada Bias
Escondida 1 2 3 4 5 6
1 -3,415763717162760 -5,464900549771080 0,282306210354545 1,839807390137020 -0,111441700704329 -1,956406301765130 2,602367728458990
2 0,259204964891600 -0,521049049727830 -2,106938088777590 0,550301687949517 0,918733051240380 -1,906047068106620 3,146453898379190
3 -0,007113665185273 0,224118535911596 2,416141801557370 0,279025881840236 4,624630231770450 2,891879462175970 -1,492541263352540
4 -3,714925994357060 1,617363024285200 -0,319765902736955 -3,353455283936040 -0,634447664596644 -0,226818051064004 1,648550182050460
5 4,084921204900170 -0,687279191850657 -0,506398227362344 3,203225055801660 -1,045256069138710 -4,279257886316170 2,806103733326830
6 -0,573675406602241 0,975329269358229 0,034100327561400 0,071247342412059 4,154847135056700 -0,311114192646391 -1,817346504572440
7 -4,422490516992850 -0,610268215584669 -1,943332853049730 -1,623085571977230 -4,974467378792760 5,410608576113510 1,159645641154350
8 -0,525924727528758 0,512314091339351 0,889086483193353 -0,886342651457127 0,818825774561195 -2,231315634395770 -4,273487187577320
9 0,317983225065770 -1,939006070935110 -0,244750796414018 2,198692013745530 -0,960915686104692 0,192449393778469 -1,247760319871130
10 5,962152001185520 0,232807941113477 -0,430321426192512 -0,172327789399047 -4,783307202708040 -3,596790249425200 0,480653751653205
Camada Sada
Escondida 1 2 3 4 5 6
1 -0,845129429807031 -0,212077790353748 0,383686511779928 1,827357225315730 0,398218080939790 -0,315703156178299
2 1,021285079152220 0,614149751374310 -0,431327251808065 -0,097035816063318 0,222142385878857 0,005436564715366
3 -0,007439842961569 -0,427874147994262 -0,055917853651653 0,026839626905862 -0,014367763463526 -0,126897467059998
4 1,977627615303510 0,062625734091146 0,771249260500306 0,278857585134896 -0,367722862604621 -1,206517169906240
5 -1,119230862972270 0,183612731116969 -1,096096333811340 -0,368042515544522 0,375471987126105 0,085546074696363

Pesos
6 0,426516479324942 0,890241607381644 0,057137453984123 -1,225149108406790 -0,199491715288628 1,391706009286460
7 0,576807453178610 -0,626632097193947 -0,399765517900349 -0,280269317934427 -0,004931418201328 -0,659490006000019
8 -0,294974981988865 -0,421831398958606 0,906679224988801 -0,683094784370217 0,131228600342541 -0,120494925746811
9 -0,051898764293814 0,148766169533459 1,969684509440590 1,201621839103600 -0,029490913316496 -4,724577427453420
10 0,454975207315765 2,064857831777030 0,920042057109964 -1,835970671624730 1,296848790187480 -0,027951460087861
Bias -1,260106059900960 2,161667638659420 2,845935065080240 -0,211276029178413 -0,448939570369698 0,992900993650847

4.6.5 Anlise de desempenho na predio

A anlise de desempenho na predio pode ser avaliada atravs da comparao dos valores
preditos pela rede neuronal selecionada para ser utilizada como analisador virtual com os valores
medidos pelo analisador de gases da Testo 350X/L. A Figura 4.12 apresenta os grficos de
varivel predita versus varivel medida para as concentraes dos diversos gases residuais na
linha de sada da caldeira, conforme identificao no canto inferior esquerdo de cada grfico.
6 35
30
5
Concentrao de SO2 predito (ppm)

Concentrao de O2 predito (%)
25
4
20
3 15
10
2
1
0
R2 = 0,96982
R2 = 0,96751
0 -5
0 1 2 3 4 5 6 -5 0 5 10 15 20 25 30 35
Fig 4.12.O2 Concentrao de O2 medido (%) Fig 4.12.SO2 Concentrao de SO2 medido (ppm)
430 14,0
380
13,5
Concentrao de CO predito (ppm)
Concentrao de CO2 predito (%)
330
13,0
280
12,5
230
12,0
180
11,5
130
11,0
80
30 10,5
R2 = 0,88191 R2 = 0,96286
-20 10,0
-20 30 80 130 180 230 280 330 380 430 10,0 10,5 11,0 11,5 12,0 12,5 13,0 13,5 14,0
Fig 4.12.CO Concentrao de CO medido (ppm) Fig 4.12.CO2 Concentrao de CO2 medido (%)
77 4,0
Concentrao de NO2 predito (ppm)
Concentrao de NO predito (ppm)
72 3,0
67 2,0
62 1,0
57 0,0
R2 = 0,93297 R2 = 0,96101
52 -1,0
52 57 62 67 72 77 -1,0 0,0 1,0 2,0 3,0 4,0
Fig 4.12.NO Concentrao de NO medido (ppm) Fig 4.12.NO2 Concentrao de NO2 medido (ppm)
Figura 4.12. Composio de gases residuais da caldeira, predita versus experimental, para a rede selecionada

A Figura 4.12.O2 representa o grfico da concentrao de oxignio predita pela rede

neuronal versus a concentrao de oxignio medida pelo analisador, apresentando trs regies
bem definidas. A Figura 4.12.SO2, a concentrao de dixido de enxofre predita versus a concen-
trao medida pelo analisador. As Figuras 4.12.CO e 4.12.CO2, as concentraes de monxido
e dixido de carbono preditas versus as concentraes medidas, respectivamente. As Figuras
4.12.NO e 4.12.NO2, as concentraes de monxido e dixido de nitrognio preditas versus
as concentraes medidas pelo analisador, respectivamente. Esses resultados so discutidos a
seguir, lembrando que, independente do tipo de combustvel utilizado, foram realizados testes
experimentais fornecendo 10%, 20% e 30% de excesso de ar na combusto.
Na Tabela 4.20 foram empregadas apenas duas casas decimais, para auxiliar na anlise
de performance desta rede em particular. O maior fator de correlao R2 obtido (de 0,97),
considerando as 6 variveis preditas pela rede, corresponde anlise da concentrao de oxignio
residual nos gases residuais. Este resultado sugere que o inversor de frequncia utilizado no
ajuste do soprador est calibrado corretamente, considerando que todos os testes trabalham com
ar em excesso, nica fonte de oxignio, e que o oxignio no obtido atravs de nenhuma
transformao qumica durante o processo de combusto.
Tabela 4.20. Fator de correlao R2 obtido para a rede neuronal selecionada por varivel de sada
Neurnio de Fator de correlao

Varivel
Sada R2
1 %O2 0,97
6 ppmSO2 0,97
3 %CO2 0,96
5 ppmNO2 0,96
4 ppmNO 0,93
2 ppmCO 0,88
-- Mdia 0,95
Os resultados obtidos para as concentraes de dixido de enxofre, dixido de carbono,

dixido de nitrognio e monxido de nitrognio tambm indicam uma boa capacidade de
generalizao da rede neuronal, todos com valores de R2 acima de 0,9.
A Figura 4.12.CO, ao contrrio da Figura 4.12.O2, no apresenta pontos bem distribudos,
indicando uma regio de alta densidade entre 0 e 70ppm e alguns outros pontos na faixa de
300ppm. Numa primeira anlise estes pontos poderiam ser erroneamente classificados como

outliers, considerando que os dados do analisador no passaram por este filtro. No entanto,
conforme citado anteriormente, o analisador de gases fornece valores mdios, calculados a cada 1
minuto, para as concentraes medidas, j filtrando possveis ocorrncias de outliers. Segundo o
fabricante da caldeira, o valor recomendado de excesso de ar para operao da mesma com
leo combustvel de 30%. Portanto, em casos de operao com 10% de excesso de ar,
condio operacional distante da recomendada, podem ter ocorrido situaes em que a combusto
foi pobre em oxignio, permitindo momentaneamente a formao excessiva do monxido em
contrapartida ao dixido de carbono. Por outro lado, em faixas de trabalho de 30% e 20% de
excesso de ar foram detectadas apenas pequenas variaes na concentrao deste componente
residual da combusto. Isso sugere que, quando a relao ar/combustvel est muito baixa,
existem outros fatores que afetam a combusto completa ou parcial do carbono que no so
levados em considerao pela rede neuronal, introduzindo pequenos erros de predio.
Em relao ainda aos menores fatores de correlaes R2 obtidos, para o monxido de
carbono e dixido de nitrognio, deve-se levar em considerao a preciso e as faixas de trabalho
dos sensores utilizados no equipamento analisador de gases. A faixa de trabalho especificada no
equipamento para a anlise de concentrao de monxido de carbono de 0 a 10000ppm, com
preciso de 10ppm para concentraes medidas de at 99ppm, enquanto a mesma especificao
para a anlise da concentrao de dixido de nitrognio de 0 a 500ppm, com preciso de 5ppm
para medidas de at 99ppm. Portanto, ao longo dos testes realizados, o analisador est trabalhando
muito prximo ao mnimo da sua faixa de medio, regio sujeita a maiores erros de impreciso,
alm de apresentar erros inerentes medida na ordem de 15% para o monxido de carbono e
erros inerentes ainda maiores para o dixido de nitrognio. Sendo assim, para as mesmas condies
operacionais, o analisador pode produzir pequenas oscilaes aleatrias, no previstas pela rede
neuronal j que no representam um comportamento padro e previsvel.
Nos grficos correspondentes aos valores de dixido de enxofre (Figura 4.12.SO2) e

dixido de nitrognio (Figura 4.12.NO2) observam-se alguns pontos de medida negativos, valores
inconsistentes para concentrao. Isso ocorre porque durante as corridas experimentais as
concentraes destes componentes so muito pequenas e tambm prximas dos limites mnimos
de operao do equipamento, lembrando ainda que clulas de medio com menor faixa operacional
no esto disponveis comercialmente. No entanto, atravs da observao dos pontos preditos
pela rede nos mesmos grficos, confirma-se que o algoritmo desenvolvido agrega conhecimento
rede neuronal ao fazer uma anlise a posteriori dos resultados, zerando os valores negativos, no
intuito de aproxim-los da realidade fsico-qumica permitida.

Analisando os resultados apresentados para todas as varveis de sada da rede neuronal

testada, com fatores de correlao R2 em torno de 0,9, comprova-se o bom desempenho do modelo
obtido. Confirma-se ainda que no necessrio informar rede neuronal qual o teor de biodiesel
utilizado como combustvel na mistura fornecida caldeira, varivel propositalmente retirada no
incio do tratamento de dados, confirmando a semelhana entre estas matrias primas em termos
de poder calorfico e composio fsico-qumica que possam afetar sua combusto.

CAPTULO 5
Implementao online
do sensor virtual
5.1 Apresentao
Aps a anlise de desempenho da rede neuronal selecionada, foi feita a implementao
online do analisador virtual da composio dos gases residuais da caldeira no sistema SCADA.
Este captulo, portanto, apresenta um breve panorama da ferramenta desenvolvida, incluindo as
telas grficas desenvolvidas para o aplicativo de redes neuronais MLP e suas principais funes.
Em seguida, j com o analisador virtual online implementado, so apresentados os
resultados obtidos nas etapas de validao online, onde foi conduzido um teste simulado para
consolidao da ferramenta desenvolvida e um novo teste experimental, alm de uma anlise
crtica destes resultados.
Ao final deste captulo, so apresentados os resultados da etapa de manuteno do
analisador virtual, aps a qual foi feita uma nova corrida experimental para validao online,
atravs de uma anlise de desempenho da ferramenta re-calibrada. Em funo da experincia
obtida durante as etapas de validao online e de manuteno, este captulo apresenta ainda
uma proposta para um sistema de deteco e diagnstico de falhas operacionais, integrado ao
analisador virtual desenvolvido no sistema de automao disponvel na planta.

Captulo 5. Implementao online do sensor virtual 112
5.2 Implementao do analisador virtual online no sistema SCADA

As ferramentas desenvolvidas no sistema supervisrio iFIX permitem a configurao da
topologia de uma rede neuronal genrica do tipo MLP, incluindo as funes de ativao da camada
escondida e da camada de sada, os parmetros de pr e ps-tratamento, os pesos sinpticos, os
limites de ativao (bias) de cada neurnio e as conexes de entrada e sada com as variveis
disponveis na base de dados.
A Figura 5.1 apresenta um esquema ilustrativo com as principais funes do analisador
implementado. As variveis de entrada, incluindo o intervalo de tempo de aquisio ta corres-
pondente, e as variveis de sada devem estar configuradas na base de dados do sistema supervisrio
conforme efetuado para todas as demais variveis de monitorao do sistema de automao da planta.
Diagnstico
Leitura do valor e status da varivel de entrada, Operacional da
previamente configurada no sistema supervisrio, em Caldeira
intervalos de tempo t a
Solicitao
Analisador
N manual de N
v irtual em
execuo do
execuo
analisador
automtica ?
v irtual ?
S S
Interv alo de
atualizao de N
tempo tn
satisf eito?
Analisador
N
v irtual
Conf igurado ?
Envia valores de leitura das variveis para os

neurnios de entrada correspondentes
Executa o algoritmo neuronal previamente configurado
Registro dos valores calculados pela sada do analisador

virtual nas variveis de sada correspondentes,
previamente configurada no sistema supervisrio
Figura 5.1. Esquema ilustrativo de funcionamento do analisador virtual implementado online

Independente do analisador virtual, as variveis de entrada, previamente configuradas no

sistema supervisrio para a monitorao da planta, so lidas constante e ininterruptamente dos seus
instrumentos fieldbus correspondentes, em intervalos de tempo ta, apresentando as respectivas
informaes de valor medido e qualidade (ou status) do sinal.
O analisador virtual s ser acionado se for feita uma solicitao manual ou se a opo
de execuo automtica estiver habilitada e o intervalo de tempo de atualizao tn estiver
satisfeito. O valor utilizado para este intervalo um dos parmetros a serem configurados e
determina o tempo de ciclo do analisador virtual, devendo ser sempre maior do que o valor de
ta e menor do que o tempo de execuo total do algoritmo implementado. Satisfeitas estas
condies iniciais, feita uma ltima verificao para determinar se o analisador foi configurado
previamente, incluindo todas as etapas de parametrizao da rede neuronal e a conexo das
variveis de entrada e sada com variveis disponveis na base de dados.
A execuo do algoritmo em si consiste no envio dos valores correspondentes s variveis
conectadas aos neurnios de entrada e o clculo baseado em redes neuronais, cuja topologia e
parametrizao foram previamente definidos e configurados. Aps a finalizao dos clculos, os
resultados obtidos so registrados nas variveis de sada, tambm previamente conectadas.
Os diagnsticos operacionais ocorrem em paralelo, atravs de anlises das informaes de
valor e status fornecidas pelas variveis de entrada e das informaes calculadas pelo algoritmo
implementado para funcionamento do analisador virtual.
A Tabela 5.1 apresenta os pontos pr-existentes e os novos definidos na base de dados
do sistema SCADA iFIX para utilizao no analisador virtual de gases residuais e suas
respectivas faixas operacionais, obtidas durante o treinamento da rede neuronal.
Tabela 5.1. Pontos pr-existentes e novos definidos na base de dados do sistema SCADA para o analisador
virtual de gases online desenvolvido
Varivel Neurnio Tag Descrio Faixa operacional
o
1 TIT-1023 Temperatura da gua de alimentao 24,69 a 35,52 C
o
2 TIT-1042 Temperatura dos gases residuais 176,90 a 227,83 C
Entrada
o
3 TIT-1011 Temperatura do leo Combustvel 23,64 a 34,25 C
4 FIT-1031 Vazo de vapor 390,44 a 480,88 kg/h
5 PIT-1032 Presso de vapor na linha 41,37 a 66,33 psi
6 SI-1046 Ajuste do excesso de ar fornecido a caldeira 10 a 30 %
1 XIT-1041O2 Concentrao de O2 nos gases residuais 1,10 a 5,35 %
2 XIT-1041CO Concentrao de CO nos gases residuais 0 a 423 ppm
XIT-1041CO2 Concentrao de CO2 nos gases residuais 10,28 a 13,48 %
Sada
3
4 XIT-1041NO Concentrao de NO nos gases residuais 54 a 75 ppm
5 XIT-1041NO2 Concentrao de NO2 nos gases residuais 0,0 a 4,1 ppm
6 XIT-1041SO2 Concentrao de SO2 nos gases residuais 0 a 33 ppm

5.2.1 Tela grfica de configurao

O presente trabalho considerou o desenvolvimento de uma ferramenta genrica que
pudesse ser utilizada em qualquer aplicao de redes neuronais do tipo MLP com uma nica
camada escondida em sistemas SCADA iFIX, ou sistemas supervisrios anlogos que utilizem
a linguagem VBA como padro. Foram consideradas 3 etapas de desenvolvimento: configurao
da rede; monitorao dos dados e grficos de tendncia em tempo real e de dados histricos.
Inicialmente, foi desenvolvida uma tela de configurao, conforme apresentado na
Figura 5.2, a partir da qual so configurados os parmetros necessrios para o funcionamento
da rede neuronal, tais como:
o nmero de neurnios na camada de entrada;

o nmero de neurnios na camada escondida;
o nmero de neurnios na camada de sada;
o tipo de funo de ativao da camada escondida;
o tipo de funo de ativao da camada de sada;
os valores de mximo e mnimo para cada neurnio de entrada;
os valores de mximo e mnimo para cada neurnio de sada;
os valores de pesos sinpticos para cada conexo entre os neurnios;
os valores de limites de ativao (ou bias) para cada neurnio;
a identificao da rede neuronal a ser utilizada como modelo de predio.
Figura 5.2. Tela de configurao de uma rede neuronal do tipo MLP no sistema SCADA

Aps a configurao da topologia da rede, so selecionadas as variveis de entrada a serem

conectadas aos respectivos neurnios da camada de entrada e as variveis de sada correspondentes
aos respectivos neurnios da camada de sada, todas disponveis na base de dados do sistema
supervisrio. Um boto de teste, localizado no canto superior direito da tela, permite o acionamento
manual de execuo da rede para eventuais testes e verificaes momentneas.
5.2.2 Tela grfica de monitorao

A tela de monitorao foi desenvolvida para, tendo sido definida a rede neuronal a ser
utilizada, propiciar a monitorao detalhada de dados, conforme apresentado na Figura 5.3.
Para dar maior flexibilidade tela e no atrapalhar a monitorao do processo com um todo,
ela foi configurada para ser apresentada sobreposta tela principal de operao, com a
possibilidade de ser movida e re-posicionada em qualquer ponto da tela.
Rede Neuronal Online Analisador de Gases
Figura 5.3. Tela de acompanhamento do analisador virtual de gases online implementado no sistema SCADA
Atravs desta tela possvel ainda definir o tempo tn, intervalo de tempo utilizado na
execuo automtica da rede, e iniciar a execuo automtica do analisador virtual ao clicar
sobre o crculo verde. Este tempo foi inicialmente definido para 10s. Ao entrar em execuo
automtica, a cor deste smbolo muda para vermelho, mas pode ser interrompida a qualquer
momento ao clicar novamente sobre o mesmo smbolo. Esta tela possui tambm botes que
permite o acionamento manual de execuo da rede, o acesso a tela de configurao e a
simulao online de execuo do analisador virtual, permitindo a avaliao dos resultados do
analisador a partir de um arquivo de dados contendo um conjunto de valores teste para as
variveis de entrada.

5.2.3 Tela grfica de tendncia

A tela de tendncia foi desenvolvida para permitir o acompanhamento, individual ou
agrupado, de qualquer uma das variveis de sada do analisador virtual versus tempo em um
grfico, para dados em tempo real ou dados histricos, conforme apresentado na Figura 5.4.
Figura 5.4. Exemplo de tela de tendncia em tempo real implementada para o analisador virtual de gases online
5.3 Validao online do analisador virtual implementado

Inicialmente, para confirmar que no havia erros de configurao na implementao do
analisador virtual online no sistema SCADA, foi realizado um teste de validao online preliminar
Neste teste, apresentado no subitem 5.3.1 a seguir, foram comparados os resultados preditos pela
rede neuronal utilizando o software de treinamento e validao e os resultados obtidos pela mesma
rede utilizando o sistema SCADA. Este teste corresponde simulao de uma corrida experimental,
pois so fornecidos valores conhecidos para as variveis de entrada em intervalos de tempo regulares
e observados os resultados calculados pelo algoritmo atravs das telas grficas citadas acima. Os
valores de entrada e de sada do analisador virtual foram armazenados em histrico atravs das
ferramentas do sistema SCADA, permitindo uma comparao posterior dos resultados.
Aps confirmar o desempenho da implementao, foi feito um novo teste de validao,
comparando os resultados obtidos pelo algoritmo desenvolvido e implementado para o analisador
virtual com os resultados das anlises obtidas em paralelo atravs do equipamento analisador de
gases comercial Testo 350, conforme apresentado no subitem 5.3.2 a seguir.Os resultados obtidos
com o algoritmo implementado foram armazenados em histrico e as anlises obtidas pelo analisador
comercial foram armazenadas no equipamento e descarregadas ao final do teste em planilhas de
dados para posterior comparao.

5.3.1 Resultados da validao online preliminar

Durante a validao online preliminar, as variveis previamente configuradas na base
de dados e conectadas aos neurnios de entrada foram alimentadas, em intervalos consecutivos
de 10s, com os valores correspondentes aos padres utilizados pelo SANN durante a etapa de
validao do modelo. Conforme citado anteriormente durante a etapa de treinamento e validao
da rede neuronal, foram escolhidos 123 padres aleatrios (20% do nmero total de pontos)
para serem utilizados apenas na etapa de validao da rede. Este conjunto de dados de entrada e
as sadas correspondentes calculadas pelo software SANN foram utilizados como referncia
para este teste.
Aps a execuo do teste, conforme apresentado na Figura 5.5, foi feita uma comparao dos
resultados do analisador virtual, calculados online atravs do algoritmo implementado no sistema
supervisrio, com os resultados de referncia, calculados offline atravs do software SANN.
Concentrao de O2 (%) Concentrao de SO2 (ppm)

5,50 30
5,00 25
4,50
20
4,00
3,50 15
3,00 10
2,50
5
2,00
1,50 0
1,00
-5
0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
(s) 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
(s)
Concentrao de CO (ppm) Concentrao de CO2 (%)

400 14,00
350 13,50
300
13,00
250
12,50
200
12,00
150
100 11,50
50 11,00
0
10,50
-50
10,00
0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
(s) 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
(s)
Concentrao de NO (ppm) Concentrao de NO2 (ppm)

75 4,0
73 3,5
71 3,0
69 2,5
67 2,0
65 1,5
63 1,0
61 0,5
59 0,0
57 -0,5
55 -1,0
0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
(s) ( s)
Calculado Online Calculado Offline
Figura 5.5. Resultados da validao online preliminar

Conforme apresentado na Figura 5.5, os valores calculados pelo algoritmo implementado

no sistema SCADA para todas as variveis preditas esto coincidindo com os respectivos valores
obtidos ao utilizar o software de referncia. Observa-se ainda que os valores correspondentes
aos valores negativos obtidos no software de referncia, em funo da predio do modelo da
rede, esto sendo tratados posteriormente e encontram-se zerados, confirmando o desempenho
da segunda etapa de ps-tratamento definida na metodologia.
A frequncia sugerida para a atualizao dos clculos do analisador virtual implementado
foi definida anteriormente em 10s. Neste teste foi feita uma tentativa de calcular o tempo de
execuo do algoritmo para otimizar este tempo. No entanto, os valores observados foram sempre
menores do que 1 segundo, valor este abaixo da preciso da ferramenta de medio de tempo
disponvel no sistema SCADA. Portanto, o valor do intervalo de tempo utilizado na execuo
automtica da rede (tn) foi mantido em 10s, 6 vezes menor do que o tempo de resposta sugerido
pelo equipamento analisador de gases comercial e 10 vezes maior do que o tempo de aquisio
das variveis de entrada (ta).
5.3.2 Resultados da validao online

A validao online do analisador virtual de gases residuais da caldeira foi realizada
durante uma corrida experimental, utilizando diesel metropolitano puro como combustvel de
queima e testando 3 diferentes faixas de relao ar/combustvel (10%, 20% e 30% de excesso
de ar), conforme procedimento definido para as corridas experimentais anteriores.
Vale lembrar que o tempo de atualizao das variveis previamente configuradas na base de
dados e conectadas aos neurnios de entrada de 1 segundo, o tempo de atualizao automtica
do analisador virtual de 10 segundos e o tempo de resposta do equipamento analisador de
gases de 1 minuto (mdias calculadas), conforme apresentado na Tabela 5.2. Os dados disponveis
pelo sistema SCADA so armazenados ao longo da corrida, assim como os dados do equipamento
analisador, que possui ainda um ciclo de armazenamento citado anteriormente.
Tabela 5.2. Tempo de atualizao para todas as instncias envolvidas na validao do analisador virtual online
Ciclo de
Varivel Descrio Valor
armazenamento
Intervalo de tempo de aquisio de todas as variveis de
ta 1s contnuo
processo configuradas como entrada para o analisador virtual
Intervalo de tempo de atualizao das sadas calculadas do
tn 10s contnuo
analisador virtual
Intervalo de tempo de atualizao das mdias obtidas para as contnuo por 180s;
tanalisador 60s
anlises de concentrao de gases pelo equipamento analisador parado por 2100s

Aps a finalizao da corrida, foi feita uma comparao dos dados histricos fornecidos
pelos neurnios de sada e armazenados pelo sistema supervisrio com os resultados obtidos pelo
analisador de gases da Testo 350 X/L ao longo da corrida.
Em todos os resultados apresentados, observa-se que os valores calculados pelo analisador
virtual so mais frequentes, cobrindo inclusive os perodos de tempo em que o equipamento
analisador est em processo de limpeza, durante a qual as anlises so interrompidas. Alm disso,
os pontos do grfico que apresentam as mdias fornecidas pelo equipamento analisador so
representados com uma barra de erro, correspondente preciso fornecida pelo fabricante para a
clula eletroqumica, ou clula infravermelha no caso do gs carbnico, ambas utilizadas como
sensores nas respectivas anlises.
Quanto ao tempo de resposta, no foram observados atrasos significativos em relao s
variveis calculadas. Isso pode ser confirmado ao observar que tanto o analisador virtual quanto
o equipamento analisador respondem ao mesmo tempo nos momentos em que houve uma alterao
no ajuste manual do soprador para modificar a relao ar/combustvel ao longo da corrida.
Considerando que a varivel ajuste do excesso de ar (SI1046) a nica varivel de entrada do
analisador virtual que pode sofrer alteraes bruscas e significativas, j que as demais possuem
dinmicas de resposta mais lentas, o tempo de resposta do analisador virtual insignificante.
A Figura 5.6, portanto, apresenta os resultados obtidos para a composio de oxignio
nos gases residuais da queima na caldeira. Observa-se que a tendncia da varivel foi acompanhada
ao longo de toda a corrida. No entanto, os valores foram mais prximos daqueles obtidos pelo
equipamento analisador apenas durante o perodo de trabalho com excesso de ar em 10%.
Excesso de Ar = 30% Excesso de Ar = 20% Excesso de Ar = 10%

7,00
O2 Medido
XIT1041O2
6,00
5,00
Concentrao de O2 nos gases residuais (%)
4,00
3,00
2,00
1,00
0,00
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.6. Resultados da validao online para a predio de oxignio

A Figura 5.7 apresenta os resultados obtidos para a composio de dixido de carbono

nos gases residuais da queima na caldeira, com resultados similares aos obtidos na anlise anterior.

20,00
CO2 Medido
XIT1041CO2
18,00
16,00
Concentrao de CO2 nos gases residuais (%)
14,00
12,00
10,00
8,00
6,00
4,00
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.7. Resultados da validao online para a predio de dixido de carbono
A Figura 5.8 apresenta os resultados obtidos para a composio de monxido de

nitrognio nos gases residuais da queima na caldeira. Observa-se que a tendncia foi mantida, mas
os valores observados esto muito distantes dos valores medidos, mesmo para o ltimo patamar.

90
NO Medido
XIT1041NO
80
70
Concentrao de NO nos gases residuais (ppm)
60
50
40
30
20
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.8. Resultados da validao online para a predio de monxido de nitrognio

Na Figura 5.9, onde so apresentados os resultados obtidos para a composio de monxido

de carbono, o analisador virtual acompanhou a tendncia dos valores medidos, mas as diferenas
observadas, principalmente quando o excesso de ar est em 10%, so muito grandes. Vale lembrar
que o fator de correlao R2 obtido para esta anlise foi o menor dentre todas as correlaes obtidas.

580
CO Medido
XIT1041CO
480
Concentrao de CO nos gases residuais (ppm)
380
280
180
80
-20
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.9. Resultados da validao online para a predio de monxido de carbono
A Figura 5.10 apresenta os resultados obtidos para a composio de dixido de nitrognio

nos gases residuais da queima na caldeira. Observa-se ao longo de toda a corrida, que os resultados
calculados atravs do analisador virtual encontram-se dentro da faixa de erro de medio do
equipamento analisador.

16,0
NO2 Medido
XIT1041NO2
11,0
Concentrao de NO2 nos gases residuais (ppm)
6,0
1,0
-4,0
-9,0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.10. Resultados da validao online para a predio de dixido de nitrognio

A Figura 5.11 apresenta os resultados obtidos para a composio de dixido de enxofre

nos gases residuais da queima na caldeira. Neste caso, o analisador virtual manteve o registro do
valor zero ao longo de toda a corrida, sem conseguir sequer acompanhar a tendncia.

30
SO2 Medido
XIT1041SO2
25
Concentrao de SO2 nos gases residuais (ppm)
20
15
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.11. Resultados da validao online para a predio de dixido de enxofre
Analisando o conjunto de resultados obtidos, observou-se que os valores preditos

estavam fora do erro de medio do analisador comercial, sugerindo ter ocorrido alguma
interferncia no processo inexistente no escopo de conhecimento fornecido rede neuronal
durante o treinamento. Considerando que as corridas de levantamento de dados foram realizadas
durante o vero, que a corrida experimental de validao online foi realizada durante o inverno
e que o analisador virtual responde a valores de entrada de temperatura de gua de alimentao,
de combustvel e de gases residuais, foi verificado o comportamento destas variveis ao longo da
corrida, conforme apresentado nas Figuras 5.12a, 5.12b e 5.12c, respectivamente.
Os valores registrados foram comparados aos limites mximo e mnimo observado para
cada varivel de temperatura durante o perodo de treinamento, apresentados na Tabela 4.18.
Observa-se que a temperatura dos gases residuais permaneceu dentro dos limites utilizados para
treinamento. No entanto, tanto a temperatura de gua de alimentao quanto a temperatura de
combustvel encontram-se muito abaixo do mnimo conhecido pela rede neuronal. Considerando
que as redes neuronais no so bons modelos de extrapolao, os erros encontrados podem ser
justificados por essa nova condio operacional.


50
45
40
Temperatura da gua de alimentao (oC)
mx
35
30
min
25
20
15
10
0
9:20 9:40 10:01 10:21 10:42 11:03 11:23 11:44 12:04 12:25
Fig. 5.12a Hora (hh:mm)

50
45
40
Temperatura do combustvel (oC)
35 mx
30
25 min
20
15
10
0
9:20 9:40 10:01 10:21 10:42 11:03 11:23 11:44 12:04 12:25
Fig. 5.12b Hora (hh:mm)

250
240
230 mx
Temperatura dos gases residuais (oC)
220
210
200
190
180 min
170
160
150
9:20 9:40 10:01 10:21 10:42 11:03 11:23 11:44 12:04 12:25
Fig. 5.12c Hora (hh:mm)
Figura 5.12. Temperaturas observadas ao longo da corrida

5.4 Manuteno do analisador virtual online

Nestas situaes, a realizao de uma manuteno no analisador virtual, ltima etapa
descrita na metodologia citada anteriormente, pode melhorar o desempenho de predio das
redes. Essa manuteno deve ser peridica ou mesmo solicitada em funo de alguma alterao
conhecida na conduo operacional do processo.
A etapa de manuteno do analisador online consiste em ampliar o conhecimento da
rede neuronal, atravs do fornecimento continuado de novos dados de processo, coletados ao
longo da operao da caldeira. Atravs de manutenes peridicas, os padres utilizados pela
rede neuronal durante o seu treinamento so constantemente atualizados, agregando experincia
ao modelo de predio utilizado, mantendo a calibrao do mesmo atualizada. A manuteno
preventiva de instrumentos convencionais de automao resulta em um procedimento anlogo,
onde o equipamento conduzido a uma bancada de testes para que seja efetuada uma nova
calibrao.
Sendo assim, foi realizada uma nova calibrao do analisador virtual, atravs de um
procedimento similar quele conduzido no desenvolvimento do analisador virtual. Nesta etapa,
os dados coletados na corrida experimental realizada para validao online foram incorporados
matriz de dados brutos utilizada no incio do presente trabalho. Esta nova matriz, contendo
os dados da condio operacional atualizada, passou pelos mesmos filtros definidos anteriormente
na etapa de tratamento de dados, incluindo a eliminao de variveis no consideradas na rede
neuronal, a eliminao dos perodos transientes, a retirada dos outliers considerando as novas
faixas operacionais e desvios-padro de cada varivel e a consolidao, em base temporal, das
matrizes de dados do sistema SCADA e do equipamento analisador. A nova matriz de dados
tratados obtida representa uma maior abrangncia de padres operacionais da caldeira.
Conforme observado atravs dos valores limites apresentados na Tabela 5.3 e utilizados
nas etapas de pr-tratamento e ps-tratamento da rede neuronal, os limites mnimos verificados
na etapa de pr-tratamento foram ampliados para abranger valores de temperatura menores,
enquanto os valores mximos permaneceram os mesmos. Os valores aplicados ao ps-tratamento
tambm permaneceram os mesmos, pois j haviam sido feitas corridas com o combustvel
utilizado (diesel metropolitano puro) para as mesmas faixas de excesso de ar (10%, 20%, 30%),
principais condies de operao que poderiam alterar a composio dos gases residuais da
queima na caldeira.

Tabela 5.3. Parametrizao do pr e ps-tratamento da rede neuronal aps a etapa de manuteno
Antes Aps Manuteno

Tipo de Tratamento Varivel
Mnimo Mximo Mnimo Mximo A B
TIT1023 (C) 24,69 35,52 19,64 35,52 0,092336 2,279778
TIT1042 (C) 176,90 227,83 176,90 227,83 0,019635 3,473395
Pr-tratamento TIT1011 (C) 23,64 34,25 18,76 34,25 0,094251 2,228087

(equao 4.5) FIT1031 (Kg/h) 390,44 480,88 390,44 480,88 0,011057 4,317116
PIT1032 (psi) 41,37 66,33 41,37 66,86 0,040064 1,657452
SI1046 (%) 10,00 30,00 10,00 30,00 0,05 0,50
%O2 1,10 5,35 1,10 5,35 4,25 1,10
ppmCO 0,00 423,00 0,00 423,00 423,00 0,00
Ps-tratamento %CO2 10,28 13,48 10,28 14,19 3,20 10,28

(equao 4.7) ppmNO 54,00 75,00 54,00 75,00 21,00 54,00
ppmNO2 -0,50 4,10 -0,50 4,10 4,60 -0,50
ppmSO2 -1,00 33,00 -1,00 33,00 34,00 -1,00
Aps o tratamento de dados, a rede neuronal selecionada previamente (tipo MLP, com 6
neurnios na camada de entrada, 10 neurnios na camada escondida e funo de ativao
tangente e 6 neurnios na camada de sada e funo de ativao identidade), foi novamente
treinada como modelo de predio da composio de gases residuais na caldeira. As variveis
de entrada e as variveis de sada permaneceram as mesmas, considerando o bom resultado obtido
aps a etapa de reduo de dimenso conduzida anteriormente.
5.4.1 Anlise de desempenho aps a etapa de manuteno

A anlise de desempenho na predio da rede neuronal aps a etapa de manuteno
conduzida de forma anloga anlise feita para a primeira anterior. Sendo assim, a Figura 5.13
apresenta os grficos de varivel predita versus varivel medida para as concentraes de oxignio,
dixido de enxofre, monxido e de dixido de carbono, e concentrao de xido e de dixido de
nitrognio, conforme identificao no canto inferior esquerdo de cada grfico.

6 35
30
5
Concentrao de SO2 predito (ppm)

Concentrao de O2 predito (%)
25
4
20
3 15
10
2
5
1
0
R2 = 0,97113
R2 = 0,88268
0 -5
0 1 2 3 4 5 6 -5 0 5 10 15 20 25 30 35
Concentrao de O2 medido (%) Fig 5.13.SO2 Concentrao de SO2 medido (ppm)
Fig 5.13.O2
430 14,5
380 14,0
Concentrao de CO predito (ppm)
Concentrao de CO2 predito (%)

330 13,5
280 13,0
230 12,5
180 12,0
130 11,5
80 11,0
30 10,5
R2 = 0,84227 R2 = 0,97248
-20 10,0
-20 30 80 130 180 230 280 330 380 430 10,0 11,0 12,0 13,0 14,0
Fig 5.13.CO Concentrao de CO medido (ppm) Fig 5.13.CO2 Concentrao de CO2 medido (%)
77
3,7
Concentrao de NO2 predito (ppm)
Concentrao de NO predito (ppm)
72
2,7
67
1,7
62
0,7
57 -0,3
R2 = 0,91805 R2 = 0,96705
52 -1,3
52 57 62 67 72 77 -1,3 -0,3 0,7 1,7 2,7 3,7
Fig 5.13.NO Concentrao de NO medido (ppm) Fig 5.13.NO2 Concentrao de NO2 medido (ppm)
Figura 5.13. Composio de gases residuais da caldeira, predita versus experimental, para a rede selecionada,
aps procedimento de manuteno
Os resultados foram similares aos resultados obtidos aps o treinamento inicial. Conforme
apresentado na Tabela 5.4, o fator de correlao R2 mdio obtido aps a re-calibrao do analisador
virtual foi ligeiramente menor do que o anterior, principalmente devido s perdas de performance
na predio do dixido de enxofre (8,8%) e do monxido de carbono (4,5%). No entanto, a
performance da predio de dixido de carbono e de dixido de nitrognio apresentou ganhos
de aproximadamente 1%.

Tabela 5.4. Comparao dos fatores de correlao R2 obtidos para a rede neuronal antes e aps a etapa de manuteno
Neurnio Fator de correlao - R2 Comparao de

Varivel Desempenho
de Sada Inicial Aps a manuteno (%)
3 CO2 0,96286 0,97248 1,0
1 O2 0,96982 0,97113 0,1
5 NO2 0,96101 0,96705 0,6
4 NO 0,93297 0,91805 -1,6
6 SO2 0,96751 0,88268 -8,8
2 CO 0,88191 0,84227 -4,5
-- Mdia 0,94601 0,92561 -2,2
O nmero de padres adicionados ao escopo de aprendizado da rede neuronal durante a

etapa de manuteno foi de 55 novos pontos. Considerando que este nmero corresponde a
apenas 9% da matriz completa de dados tratados, o novo treinamento foi bem sucedido, pois, na
mdia, no houve perdas significativas de desempenho para o analisador virtual.
Aps a re-calibrao do analisador virtual, foi gerado um arquivo contendo a nova
parametrizao da rede neuronal. Atravs das telas grficas citadas anteriormente, a opo de
execuo automtica do analisador virtual foi interrompida e o arquivo com a parametrizao
anterior foi substitudo pelo novo, sem perdas operacionais para o sistema de monitorao da
caldeira ou para o analisador virtual.
5.4.2 Resultados da validao online aps nova calibrao

A validao online do analisador virtual de gases residuais da caldeira aps a etapa de
manuteno foi realizada atravs de uma nova corrida experimental, utilizando uma mistura de
combustveis contendo 31% de biodiesel e 69% de diesel metropolitano (DBDd31_1) e 3
faixas diferentes de relao ar/combustvel (10%, 20% e 30% de excesso de ar), conforme o
procedimento definido para as corridas experimentais anteriores.
Os tempos de atualizao das variveis previamente configuradas na base de dados e o
tempo de atualizao automtica do analisador virtual foram mantidos. Os grficos apresentados
da Figura 5.14 a Figura 5.19 correspondem s comparaes dos dados histricos fornecidos
pelos neurnios de sada e armazenados pelo sistema supervisrio com os resultados obtidos
pelo analisador de gases da Testo 350 X/L ao longo da corrida, aps a finalizao da mesma.
A Figura 5.14, portanto, apresenta os resultados obtidos para a composio de oxignio
nos gases residuais da queima para a corrida experimental realizada para a validao online do

analisador virtual desenvolvido no presente trabalho. Observa-se que os valores preditos pelo
analisador virtual foram consideravelmente mais prximos aos valores obtidos no equipamento
analisador do que na validao antes da realizao da manuteno.

6
O2 Medido
XIT1041O2
5
Concentrao de O2 nos gases residuais (%)
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.14. Resultados da validao online aps a manuteno para a predio de oxignio
A Figura 5.15 apresenta os resultados obtidos na mesma corrida experimental para a

composio de dixido de carbono nos gases residuais da queima na caldeira, com resultados
similares.

20
CO2 Medido
XIT1041CO2
18
16
Concentrao de CO2 nos gases residuais (%)
14
12
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.15. Resultados da validao online aps a manuteno para a predio de dixido de carbono

A Figura 5.16 apresenta os resultados comparados para a composio de monxido de

nitrognio nos gases residuais da queima na caldeira.

90
NO Medido
XIT1041NO
85
80
Concentrao de NO nos gases residuais (ppm)
75
70
65
60
55
50
45
40
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.16. Resultados da validao online aps a manuteno para a predio de monxido de nitrognio
A Figura 5.17 apresenta os resultados comparados para a composio de monxido de

carbono nos gases residuais da queima na caldeira. Neste caso, o valor do fator de correlao R2 foi
o menor dentre todas as correlaes obtidas. No entanto, a dimenso do erro de medio do
equipamento analisador associado utilizao do mesmo muito perto da faixa mnima operacional
do aparelho pode introduzir maiores incertezas. Ao considerar o erro de medio da clula eletro-
qumica, observa-se que as predies de monxido de carbono encontram-se dentro do esperado.

25
CO Medido
XIT1041CO
20
Concentrao de CO nos gases residuais (ppm)
15
10
-5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.17. Resultados da validao online para a predio de monxido de carbono

A Figura 5.18 apresenta os resultados comparados para a composio de dixido de

nitrognio nos gases residuais da queima na caldeira. Novamente, observa-se ao longo de toda a
corrida, que os resultados calculados atravs do analisador virtual encontram-se dentro da faixa
de erro de medio do equipamento analisador.
11
NO2 Medido
XIT1041NO2
9
Concentrao de NO2 nos gases residuais (ppm)
-1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.18. Resultados da validao online para a predio de dixido de nitrognio
A Figura 5.19 apresenta os resultados obtidos para a composio de dixido de enxofre.

Ao contrrio do que ocorreu antes da nova calibrao, o analisador virtual acompanhou a tendncia
dos valores medidos, apesar da frequncia de oscilao observada ser alta.

50
SO2 Medido
XIT1041SO2
45
40
Concentrao de SO2 nos gases residuais (ppm)
35
30
25
20
15
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
Figura 5.19. Resultados da validao online para a predio de dixido de enxofre

Analisando o conjunto de resultados obtidos, observou-se que os valores preditos pelo

analisador virtual online esto muito prximos dos valores medidos pelo analisador, confirmando
que a deciso de realizar uma nova calibrao durante a etapa de manuteno foi acertada e
aumentando o desempenho do mesmo. Acredita-se que ao incorporar os dados de novas corridas
na matriz de dados brutos, realizando manutenes peridicas e programadas atravs do
procedimento definido pelo presente trabalho, o analisador virtual online para predio da
composio de gases residuais na caldeira desenvolvido torna-se uma ferramenta operacional de
fcil manuteno e operao.
Ao longo da corrida experimental, utilizando como combustvel uma mistura de 31%
de leo biodiesel e 69% de leo diesel (DBDd30_3), todas as variveis preditas pelo analisador
virtual online foram acompanhados atravs da tela de grfico de tendncia em tempo real descrita
anteriormente, conforme apresentado na Figura 5.20. Durante esta anlise, ficou confirmado
que as temperaturas da gua de alimentao a de combustvel mantiveram-se dentro dos novos
limites aplicados aps a etapa de treinamento ocorrida na manuteno.
Figura 5.20. Grfico de tendncia em tempo real para as variveis preditas durante a corrida experimental DBDd31_1
Observa-se ainda que este teste utilizou uma mistura para queima na caldeira (mistura
com 31% de biodiesel) com uma composio de biodiesel levemente diferente daquelas
utilizadas durante a etapa de treinamento da mesma (misturas de 30% de biodiesel). Tendo em
vista os bons resultados obtidos, fica a hiptese de que o analisador virtual online desenvolvido
poderia ser utilizado para interpolaes, incluindo toda a faixa operacional de ajuste do soprador
(10% a 30%) e de composio de misturas (biodiesel de dend puro leo diesel metropolitano
puro). No entanto, mais corridas experimentais devem ser realizadas para confirmar esta hiptese.

5.5 Diagnsticos operacionais propostos no sistema de

automao disponvel
Em funo da importncia da etapa de manuteno, observada atravs dos itens descritos
anteriormente, o presente trabalho buscou propor uma ferramenta de diagnstico operacional da
caldeira, utilizando o analisador virtual desenvolvido e implementado no sistema de automao
instalado na planta.
Considerando as caractersticas das informaes relacionadas aos diagnsticos disponveis
na instrumentao fieldbus, aos diagnsticos disponveis no sistema supervisrio e s aplicaes
online encontradas na literatura e citadas anteriormente, foram desenvolvidas duas classes de
diagnstico, aplicadas nas variveis de entrada e nas variveis de sada do analisador virtual
online desenvolvido, para auxiliar o operador na conduo operacional da planta:
Confiabilidade da informao Identificao primria Diagnstico e classificao

da qualidade da informao utilizada e fornecida pelo analisador virtual online;
Tipo de falha Identificao secundria Diagnstico operacional, em funo dos

sintomas apresentados pelas variveis de entrada utilizadas, agregando as informaes
disponibilizadas pela instrumentao instalada, e pelas variveis de sada obtidas
atravs do analisador virtual.
O diagnstico de confiabilidade da informao foi desenvolvido como identificao

primria, em analogia ao padro adotado pela instrumentao fieldbus para identificao de falhas,
conforme descrito anteriormente. A identificao principal indica o nvel de confiabilidade da
informao, resultado de uma primeira anlise do conjunto de sinais utilizados como entrada ao
analisador virtual online, categorizando a informao em: BOM, INCERTO e RUIM.
O diagnstico que classifica o estado de falha como RUIM depende exclusivamente do
estado de falha dos transmissores correspondentes s variveis de entrada conectadas ao analisador
virtual, pois uma vez identificada esta condio, o analisador no tem como exercer sua
funo. Considerando o analisador virtual como um instrumento de medio e transmisso, esta
situao seria equivalente a uma falha no sensor conectado. Estas informaes so fornecidas pela
instrumentao fieldbus, conforme visto anteriormente no item 3.5.1. Por exemplo, quando a
informao de status enviada pelo respectivo transmissor for menor ou igual 63, o instrumento
est em estado de falha.

Neste caso, o diagnstico de tipo de falha, desenvolvido como uma identificao secundria,
fornece um detalhamento da ocorrncia, indicando qual das variveis de entrada est causando
a falha e o tipo de falha quanto aos sintomas observados. Considerando ainda que o modelo
implementado para o analisador virtual leva em considerao que a caldeira est produzindo
vapor, foi acrescentada esta condio nesta etapa da anlise, associada a uma falha. A Figura
5.21 apresenta um fluxograma ilustrativo desta etapa de diagnstico preliminar.
Leitura do
valor e status
da varivel de
entrada
CONFIABILIDADE DA INFORMAO:
RUIM
STA TUS N
ENTRADA
<> RUIM
TIPO DE FALHA:
1. Identificao da varivel de entrada fora de especif icao;
Produo N 2. Identificao do tipo de falha, fornecido pela instrumentao fieldbus.
de v apor ?
Clculo da
varivel de
sada pela
rede neuronal
Habilita o Habilita o
diagnstico de falha diagnstico de falha
em funo das em funo das
variveis de sada variveis de entrada
Figura 5.21. Diagnsticos preliminares do analisador virtual online
O estado de falha classificado como RUIM depende, portanto, exclusivamente do estado

de falha dos transmissores correspondentes s variveis de entrada conectadas ao analisador virtual
e da verificao da produo de vapor, pois uma vez identificada alguma destas condies, o
analisador no tem como exercer sua funo.
O diagnstico de falha em funo das variveis de entrada, alm da anlise preliminar,
feito atravs da comparao dos valores lidos para as mesmas com limites operacionais de alto e
baixo para cada varivel. Considerando que as redes neuronais no so confiveis para casos de

extrapolao, foram adotados os limites operacionais mximos e mnimos encontrados durante

a etapa de treinamento da mesma. A Figura 5.22 apresenta um fluxograma com a metodologia
desenvolvida para avaliao do diagnstico de falha em funo das variveis de entrada utilizadas
pelo analisador virtual e dos sintomas observados nas mesmas.
Diagnstico de falha em
funo das variveis de
entrada
HABILITADO
Valor > Mnimo

da v ariv el N
durante
treinamento?
INCERTO
S
Valor < TIPO DE FALHA:

Mximo da N 1. Identificao da varivel de entrada fora de especif icao;
v ariv el
durante
2. Identificao do tipo de falha, ALTA ou BAIXA, encontrada
treinamento?
S
BOM
Figura 5.22. Diagnsticos do analisador virtual online em funo das variveis de entrada
Conforme citado acima, o diagnstico de falha em funo das variveis de sada do

analisador virtual online habilitado quando a informao analisada no diagnstico preliminar
no est diagnosticada como RUIM. Isso garante que as variveis de entrada esto dentro dos seus
limites operacionais. Sendo assim, a Figura 5.23 apresenta a ltima etapa de diagnstico de falhas,
ao comparar os resultados obtidos pelo analisador virtual com limites operacionais previamente
definidos para estas variveis, com os limites ambientais mximos permitidos por lei pelo Ministrio
do Meio Ambiente (CONAMA, 2007), e com os prprios valores do equipamento analisador
de gases quando disponvel.

Diagnstico de falha em funo das

variveis de sada
HABILITADO
BOM
Valor do TIPO DE FALHA:

analisador de Valor < mximo N
N 1.Identificao da varivel fora de especificao.
gases permitido pela
CONAMA? 2. MUITO ALTO - Varivel acim a do limite
disponv el
am biental permitido;
online?
S
S
Erro =
Valor < mximo TIPO DE FALHA:
Valor medido N
Operacional 1.Identificao da varivel fora de especificao.
CONFIABILIDADE DA INFORMAO: Valor Calculado desejado? 2. ALTO - Varivel acima do lim ite operacional
RUIM permitido.
TIPO DE FALHA: S
1.Identificao da varivel fora de especificao. N Erro <
Tolerncia
2. MUITO ALTO - analisador virtual fora de mxima?
calibrao. TIPO DE FALHA:
Valor > mnimo N 1.Identificao da varivel fora de especificao.
operacional
S desejado?
2. BAIXO - Varivel abaixo do limite operacional
permitido
TIPO DE FALHA: Erro <
N S
1.Identificao da varivel fora de especificao. Tolerncia
2. ALTO - analisador virtual fora de calibrao. minima?
S
INCERTO
Figura 5.23. Diagnsticos do analisador virtual online em funo das variveis de sada

A metodologia de identificao do tipo de falha nesta etapa do diagnstico, em contrapartida

etapa de diagnstico preliminar, foi desenvolvida em analogia ao padro adotado pelo sistema
supervisrio para identificao de falhas, conforme descrito anteriormente no item 3.5.2. Esta
classe de diagnstico utiliza todas as funes disponveis no sistema SCADA, j citadas, para
deteco e isolamento de ocorrncias relacionadas s variveis de sada previamente configuradas
para o analisador virtual online, alm de adequar as funes de identificao das ocorrncias
para um diagnstico operacional em funo dos resultados de predio obtidos.
O diagnstico de falha, portanto, alm de categorizar a qualidade da informao como
BOM, RUIM e INCERTO, classifica o tipo de falha em BAIXO, ALTO ou MUITO ALTO,
alm de permitir a indicao do erro em funo dos sintomas observados. Em uma nica
linha, o operador tem acesso a identificao principal, identificao secundria e ao sintoma
observado, conforme apresentado no resumo dos diagnsticos propostos da Tabela 5.5.
Tabela 5.5. Diagnsticos desenvolvidos
Identificao Sintomas Identificao

Sintomas Observados
Principal Observados Secundria
Informao proveniente do status da instrumentao

--
fieldbus
RUIM Valor incorreto
MUITO ALTO Analisador virtual fora de calibrao
Varivel de entrada acima do valor mximo utilizado

durante a etapa de treinamento do analisador virtual
ALTO
Valor no
INCERTO Analisador virtual em manuteno para observao
confivel
Varivel de entrada abaixo do valor mnimo utilizado

BAIXO
Varivel de sada acima do valor mximo permitido

pela CONAMA
ALTO
Varivel de sada acima do limite operacional
mximo, previamente definido
BOM Valor confivel
Varivel de entrada abaixo do valor mnimo utilizado
BAIXO
Varivel de sada abaixo do limite operacional
mnimo, previamente definido

CAPTULO 6
Concluses e sugestes
6.1 Concluses
O desenvolvimento e a implementao de analisadores virtuais em ambientes industriais

so ferramentas essenciais para a otimizao dos sistemas de automao atualmente utilizados,
baseados em uma instrumentao limitada em termos de instrumentos de medio. Tendo em
vista que os sensores comerciais disponveis para anlise de composio em linhas de produo
so usualmente de alto custo e de difcil manuteno, sua utilizao limitada a anlises
espordicas de baixa freqncia. Estes equipamentos, usualmente baseados em anlises eletro-
qumicas, possuem um tempo de resposta na ordem de dezenas de segundos, dificultando sua
aplicao em malhas de controle industrial, cujos ciclos so da ordem de milisegundos.
A aplicao de um analisador virtual em um ambiente industrial deve levar em considerao
os seguintes itens: conhecer o processo industrial onde o analisador ser implementado; conhecer
o ambiente e a filosofia aplicada na automao industrial para sugerir uma localizao adequada
para o algoritmo; acoplar ao analisador virtual um sistema de deteco e diagnstico automtico e
validao de sinal para evitar sobrecarregar o operador com outras funes que no a operao
do processo industrial.

Captulo 6. Concluses e Sugestes 138
As caldeiras industriais e semi-industriais cuja queima base de leo combustvel

so consideradas um ambiente agressivo para estes equipamentos, normalmente aplicados
anlise de composio dos gases residuais produzidos na caldeira para acompanhamento e
diagnstico da queima. As impurezas depositadas nas clulas de medio podem afetar signifi-
cativamente os resultados das anlises dos analisadores de gases, decorrendo em constantes
retiradas do equipamento para manuteno e re-calibrao.
Considerando ainda a atual preocupao mundial com o contexto scio-ambiental inerente
aos parques industriais, est sendo estudada a possibilidade de utilizao de combustveis
alternativos, tais como o biodiesel ou misturas deste com o leo diesel. A diversidade de
combustveis lquidos utilizados nas caldeiras, cuja utilizao depende muitas vezes da
disponibilidade e do custo da matria-prima ou mesmo de leis governamentais que definem as
faixas de composies dos combustveis comerciais, dificulta o desenvolvimento de um analisador
universal.
Baseado nestas premissas, o presente trabalho buscou desenvolver uma ferramenta
virtual de baixo custo e de fcil implementao, em conformidade operacional com os sistemas
de automao e controle comerciais atualmente disponveis, como alternativa para a anlise de
gases residuais da queima de uma caldeira que utiliza leo diesel, leo biodiesel ou uma mistura
de ambos como combustvel de queima.
No final do ano de 2009 e incio de 2010, foi conduzida uma srie de corridas experimentais
envolvendo a produo de vapor atravs da queima de leo diesel, leo biodiesel e misturas
em uma caldeira semi-industrial localizada no Laboratrio de Engenharia Qumica da Escola de
Qumica da UFRJ, um projeto em parceria da EQ/UFRJ e CENPES/PETROBRAS.
Em funo da disponibilidade dos dados deste projeto e da literatura relacionada a mtodos
quantitativos de diagnsticos baseados em dados de processo, o presente trabalho desenvolveu um
modelo heurstico baseado em redes neuronais para descrever um analisador virtual de gases
residuais da combusto, utilizado na predio da composio dos principais componentes da
descarga de gases da caldeira.
A discusso em torno das dificuldades encontradas na implementao de um analisador
virtual online em sistemas de automao industrial ampla. As informaes relevantes apresentadas
pela literatura citam constantemente a necessidade de um conhecimento prvio profundo do
processo, principalmente para a seleo e tratamento das variveis de processo e a serem utilizadas
no algoritmo desenvolvido. Portanto, aps uma extensa anlise dos dados de processo brutos
disponveis, foram desenvolvidos vrios filtros para o tratamento dos mesmos, gerando uma matriz

de dados tratados contendo 614 padres para misturas de 0%, 20%, 30%, 40%, 50% e 100% de
biodiesel, operadas com a relao ar/combustvel de 10%, 20% e 30% de excesso de ar.
Aps a definio de algumas premissas para reduzir o universo de topologias aplicadas ao
caso em estudo (redes MLP com apenas uma camada escondida e nmero mximo de neurnios
na camada escondida), as redes foram treinadas atravs do escopo de conhecimento definido pela
matriz de dados de processo tratados. As redes neuronais preliminares de melhor resultado foram
analisadas em termos de desempenho e nmero de parmetros.
Considerando que uma das metas do presente trabalho era a implementao online do
algoritmo desenvolvido, foi feita uma poda na rede neuronal para definir novas premissas (redes
MLP com apenas uma camada escondida, nmero de variveis de entrada e nmero mximo de
neurnios na camada escondida menor do que o determinado inicialmente), com o objetivo de
reduzir a complexidade computacional do modelo. Aps a reduo de dimenso, as redes foram
novamente treinadas utilizando o mesmo escopo de conhecimento e as redes de melhor resultado
obtidas foram analisadas em termos de desempenho e nmero de parmetros.
A etapa de desenvolvimento inicial determinou, portanto, a parametrizao da rede neuronal
estudada, do tipo MLP, com 6 neurnios na camada de entrada, 10 neurnios na camada escondida
e funo de ativao tangente hiperblica, e 6 neurnios na camada de sada e funo de
ativao identidade.
Tendo sido definido o algoritmo mais adequado para predio da composio dos gases
residuais na caldeira (oxignio, monxido de carbono, dixido de carbono, monxido de nitrognio,
dixido de nitrognio e dixido e enxofre), cujo fator de correlao R2 mdio obtido foi de 0,9,
passou-se etapa de desenvolvimento e testes da implementao online.
O presente trabalho desenvolveu uma aplicao no sistema supervisrio SCADA, atravs
de configurao das ferramentas bsicas disponveis no software, para ser utilizada na
implementao online de redes neuronais do tipo MLP genricas, com uma camada escondida. Esta
ferramenta envolveu o desenvolvimento de telas grficas e a programao de um algoritmo
matemtico automtico para execuo do modelo. A ferramenta desenvolvida de fcil utilizao
para profissionais da rea de sistema e automao industrial e permite a configurao online
da rede neuronal, incluindo a parametrizao e a conexo dos neurnios de entrada e sada com
as respectivas variveis de processo, disponveis na base de dados do sistema supervisrio. Alm
disso, a possibilidade de utilizao desta aplicao sem a interrupo das funes de monitorao
e superviso do sistema SCADA aumenta a flexibilidade da aplicao desenvolvida.
O analisador virtual desenvolvido no presente trabalho incorporou o algoritmo de redes
neuronais do tipo MLP ao sistema de automao industrial comumente utilizado, sem a necessidade

de instalao de softwares especializados de alto custo, alta complexidade de manuseio para

pessoal especializado da rea e com elevada carga de processamento computacional, simplificando
sua implementao ao usurio final.
A aplicao foi desenvolvida e implementada satisfatoriamente no sistema de automao
disponvel na planta piloto da caldeira. O teste de validao online preliminar, comparando os
resultados obtidos pelo analisador virtual fornecidos pelo software de referncia com os resultados
obtidos pela aplicao implementada no sistema SCADA, verificou que os valores eram
coincidentes, confirmando o sucesso desta etapa de implementao. Verificou-se que o tempo de
execuo do algoritmo online desenvolvido foi menor do que 1s, permitindo um ajuste no
intervalo de execuo automtica dos clculos realizados pelo analisador virtual em 10s, 6 vezes
menor do que o tempo de resposta do equipamento analisador de gases comercial.
O teste de validao online feito atravs da realizao de uma nova corrida experimental
utilizando o leo diesel como combustvel na caldeira, verificou uma limitao na faixa operacional
mnima das temperaturas de entrada de gua de alimentao e leo combustvel do modelo
desenvolvido. Considerando que as redes neuronais no apresentam bons resultados para casos
de extrapolao, a baixa performance obtida na predio pode ser explicada porque o teste foi
feito no inverno, com temperatura ambiental abaixo de 19oC, e o escopo de conhecimento
utilizado durante a etapa de aprendizado da rede foi fornecido atravs de corridas experimentais
realizadas no vero com temperatura ambiental mnima de 24oC.
Em funo do teste de validao online foi realizada a etapa de manuteno, agregando ao
conhecimento da rede os padres obtidos nesta corrida experimental. A etapa de tratamento de
dados desenvolvida anteriormente definiu uma metodologia a ser seguida para a incorporao de
novos padres na matriz de dados tratados, facilitando os procedimentos de recalibrao do
analisador virtual. O fator de correlao R2 mdio para anlise de desempenho da rede ampliada
foi reduzido em apenas 2% do seu valor inicial, permanecendo em torno de 0,9.
Alm disso, a utilizao da metodologia de tratamento desenvolvida permitiu que um dia
aps o teste, tendo sido recuperados os dados de histrico das variveis de processo do sistema
supervisrio e do equipamento analisador de gases, o novo arquivo de parametrizao da rede
neuronal j estivesse pronto para ser utilizado. Aps a substituio do arquivo de parametrizao
no sistema supervisrio SCADA, sem interromper a operao da caldeira ou a monitorao de
dados do sistema, a rede neuronal de conhecimento ampliado foi novamente testada.
O novo teste de validao online foi realizado utilizando-se uma mistura de 31% de
biodiesel e 69% de diesel na queima e as temperaturas alimentadas aos neurnios de entrada
encontraram-se dentro da faixa utilizada durante o treinamento. Os resultados obtidos foram

plenamente aceitveis, bastante prximos das anlises realizadas pelo equipamento analisador.
A utilizao de uma mistura levemente diferente daquelas utilizadas durante a etapa de treinamento
da rede neuronal, indica que o analisador virtual desenvolvido poderia ser utilizado para
interpolaes, incluindo toda a faixa operacional de ajuste do soprador (10% a 30%) e de
composio de misturas (biodiesel de dend puro a leo diesel metropolitano puro).
Em funo da relevncia do ocorrido nos primeiros testes de validao online, para
auxiliar no procedimento de manuteno do sistema de automao desenvolvido, o presente
trabalho buscou ainda propor uma ferramenta de deteco e diagnstico operacional da caldeira,
utilizando o analisador virtual desenvolvido e implementado. Assim, foram definidas duas
classes de diagnstico para auxiliar o operador na conduo operacional da planta, indicando
a confiabilidade da informao e o tipo de falha apresentada.
Conclui-se, portanto, que esta dissertao resultou nas seguintes contribuies literatura
(VALDMAN, A et al, 2010a, 2010b; VALDMAN, A et al, 2011) e/ou ao desenvolvimento
tecnolgico na rea de automao de processos:
i. aperfeioamento da metodologia de treinamento e validao de redes neuronais

para uso como sensor virtual (vide tem 3.4);
ii. implementao inovadora em sistemas SCADA, acoplados instrumentao inteligente

utilizando a tecnologia fieldbus, de redes MLP genricas;
iii. desenvolvimento inovador de sistema de diagnstico operacional integrando o sistema

SCADA, o sensor virtual, a instrumentao inteligente utilizando a tecnologia fieldbus
e regras operacionais (relacionadas a restries ambientais);
iv. validao experimental de todos os sistemas desenvolvidos em um processo

semi-industrial;
v. teste em condies operacionais novas na literatura (misturas de diesel/biodiesel com

altos percentuais de biodiesel).
Finalmente, esta dissertao sugere que sistemas de monitoramento e diagnstico,

empregando metodologias anlogas proposta aqui, sejam adotados como ferramenta confivel
de suporte operacional, dos pontos de vista de segurana e ambiental, de caldeiras de pequeno
porte, semi-industriais, utilizando diferentes combustveis.

6.2 Sugestes
A prtica do ambiente industrial indica que a instrumentao deve estar localizada no
cho de fbrica, distante da sala de controle onde se encontra o computador, imprescindvel
em todas as referncias encontradas na rea de pesquisa e desenvolvimento de analisadores
virtuais. Neste sentido, fica a sugesto de delegar essa funo aos controladores industriais,
passveis de ser programados para executar funes numricas, garantindo ao computador a
manuteno de sua atual funo industrial: uma ferramenta de monitoramento e superviso do
processo. Portanto, o estudo da localizao final do analisador virtual, principalmente em casos
de acoplamento a uma malha de controle, deve levar em considerao o controlador lgico
programvel ou mesmo o desenvolvimento da aplicao em um instrumento fieldbus, devido
sua maior robustez operacional e flexibilidade de programao em ambiente industrial.
Em termos operacionais, a planta piloto caldeira utilizada deve levar em considerao a
instalao de um sistema de aquecimento da gua de alimentao e do combustvel, fixando assim
uma faixa operacional para estas variveis, reduzindo as possibilidades de retirada do analisador
virtual para manuteno por este motivo.
Os diagnsticos operacionais propostos no presente trabalho devem ser implementados
no sistema de automao e testados online atravs de novas corridas experimentais, incluindo a
simulao fsica de falhas na planta piloto, para avaliao dos ganhos operacionais obtidos.
Em termos de eficincia na generalizao da rede neuronal obtida e de desempenho,
fica a sugesto de conduzir novas corridas experimentais, para aumentar o nmero de padres
utilizados na etapa de aprendizagem da rede, aumentando sua capacidade de predio e,
possivelmente, seu desempenho.
Por fim, considerando que o biodiesel pode ser produzido a partir de diferentes origens
vegetais, fica a sugesto de ampliar as possibilidades de utilizao do analisador virtual ao
incluir esta informao como varivel de entrada na rede e conduzir corridas experimentais
com misturas compostas por biodiesel de origens diferentes.

CAPTULO 7
Referncias bibliogrficas
(1)
ALVES, M. Biodiesel reduz emisso de poluentes, Jornal da UNICAMP, ed. 213 -
19 a 25 de maio de 2003, 2003.
(2)
AMERICAN NATIONAL STANDARDS INSTITUTE. ANSI/ISAs S5.1-1984
(R. 1992).
(3)
AMERICAN SOCIETY OF MECHANICAL ENGINEERS. Fired Steam Generator
Performance Test Codes, ASME PTC 4-2008, 2008.
(4)
BAGAJEWICZ, M.J. Process Plant Instrumentation: design and upgrade, Technomic
Publishing, Pensylvania, 2001.
(5)
BAILEY, D.; WRIGHT, E. Practical SCADA for Industry, Elsevier, Oxford, p. 3-4, 2003.
(6)
BEBIS, G.; GEORGIOPOULOS, M. Feed-forward neural networks: why network size
is so important. IEEE Potentials October, p. 27-31 , 1994.
(7)
BISHOP, C. Neural Networks for Pattern Recognition, University Press, Oxford, 1995.

Captulo 7. Referncias Bibliogrficas 144
(8)
CANACKI, M.; OZSEZEN, A.N.; ARCAKLIOGLU, E.; ERDIL, A. Prediction of
performance and exhaust emissions of a diesel engine fueled with biodiesel produced from
waste frying palm oil. Expert Systems with Applications, v. 36, p. 9268-9280, 2009.
(9)
CARELLI, A.C.; DE SOUZA JR., M.B. GPC Controller Performance Monitoring
and Diagnosis Applied to a Diesel Hydrotreating Reactor. In: ADCHEM 2009
International Symposium on Advanced Control of Chemical Processes, 2009, Istanbul.
Adchem 2009 Preprints, IFAC, v. 1. p. 101-106, 2009a.
(10)
CARELLI, A.C.; DE SOUZA JR., M.B. Stochastic and Deterministic Performance
Assessment of PID and MPC Controllers: Application to a Hydrotreater Reactor.
Computer-Aided Chemical Engineering, 27, p. 1635- 1640, 2009b.
(11)
CASTRO, R.M., Desenvolvimento de ferramentas de apoio operacional para uma
unidade de hidrotratamento, Dissertao de Mestrado, Programa de Ps-graduao em
Tecnologia de Processos Qumicos e Bioqumicos, Escola de Qumica,UFRJ, 2009.
(12)
CHIANG, L.H.; RUSSELL, E.L.; BRAATZ, R.D. Fault detection and diagnosis in
industrial systems. Springer-Verlag, London, 2001.
(13)
CHONG, A.Z.S.; WILCOX, S.J.; WARD, J. Prediction of gaseous emissions from a
chain grate stoker boiler using neural networks of ARX structure. IEE Proc. Sci.
Measure Technol.; v. 148(3), p. 95-102, 2001.
(14)
CONSELHO NACIONAL DO MEIO AMBIENTE. Resoluo CONAMA no382, de
26 de dezembro de 2006, DOU no 1, Seo 1, p. 131-137, 2 de janeiro de 2007.
(15)
CORREIA DA SILVA, G.S.; DE SOUZA JR., M.B.; LIMA, E.L.; CAMPOS, M.C.M.M.
Application of a Modelbased Fault Detection and Diagnosis System to a Hydrotreating
Reactor, Chemical Engineering Transactions, v. 17, p. 1329-1334, 2009.
(16)
DE SOUZA JR, M. B. Redes Neuronais aplicadas a modelagem e controle de processos
qumicos, Tese (Doutor em Cincias) Programa de Engenharia Qumica/COPPE,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, 124p.; 1993.
(17)
DE SOUZA JR., M.B.; CAMPOS, M.C.M.M.; TUNALA, L.F. Dynamic Principal
Component Analysis Applied to the Monitoring of a Diesel Hydrotreating Unit,
Chapter 4 in Modeling, Control, Simulation and Diagnosis of Complex Industrial
and Energy Systems, Luca Ferrarini, Carlo Veber, Editors, The International Society of
Automation (ISA), p. 75-96, 2009.
(18)
FORTUNA, L.; GRAZIANI, S.; RIZZO, A.; XIBILIA, M.G. Soft Sensors for
Monitoring and Control of Industrial Processes, Springer, London, 2007.

(19)
GERENCIAMENTO muito alm dos ativos fsicos. Revista C&I Controle &
Instrumentao, n. 115, 2006.
(20)
GUTIERREZ, R.M.V.; PAN, S.S.K. Complexo Eletrnico: Automao do Controle
Industrial. BNDES Setorial, Rio de Janeiro, n. 28, p. 189-232, Setembro 2008.
(21)
HARROLD, D. How To Read P&IDs, Control Engineering, August, 2000, disponvel
em : http://www.controleng.com/article/275616-How_to_read_P_IDs.php?rssid=20307,
acessado em: 30/01/2010.
(22)
HAYKIN, S. Redes Neurais: princpios e prtica, 2a ed., Bookman, Porto Alegre, 2001.
(23)
HIMMELBLAU, D. Fault detection and diagnosis in chemical and petrochemical
processes, Elsevier, New York, 1978.
(24)
HOSKINS, J.C.; HIMMELBLAU, D. Artificial Neural Network Models of knowledge
representation in chemical engineering, Computer Chemical Engineering, v. 12, n.
9/10, p. 881-890, 1988.
(25)
HUSSAIN, M.A. Review of applications of neural network in chemical process control
Simulation and online implementation, Artificial Intelligence in Engineering, v. 13, p.
55-68, 1999.
(26)
IFIX, iFix Eletronic Books iFix Version 3.0 06.02, GE Fanuc International, 2003.
(27)
INTERNATIONAL FEDERATION OF AUTOMATIC CONTROL. IFAC TC
SAFEPROCESS, disponvel em: http://saas.ulb.ac.be/safeprocess/, acessado em:
20/01/2010.
(28)
INTERNATIONAL SOCIETY OF AUTOMATION. ISAs History, disponvel em:
http://www.isa.org/Content/NavigationMenu/General_Information/About_ISA1/ISAs
_History/ISAs_History.htm, acessado em: 20/01/2010.
(29)
ISERMANN, R. Fault Diagnosis Systems: an introduction from fault detection to
fault tolerance, Springer-Verlag Berlin Heidelberg, p. 8-10 , 2006.
(30)
ISERMANN, R. Supervision, fault-detection and fault-diagnosis methods an
introduction, Control Engineering Practice, v. 5, n. 5, p. 639-652, 1997.
(31)
ISERMANN, R. The History of IFAC Presentation, 2008, disponvel em: http://
www.ifac-control.org/about/overview/History_of_IFAC_Seoul08_Banquet.pdf/view,
acessado em: 20/01/2010.

(32)
ISERMANN, R.; BALL, P. Trends in the application of model-based fault detection
and diagnosis of technical processes, Control Engineering Practice, v. 5, Issue 5, p.
709-719, 1997.
(33)
JAMSA-JOUNELA, S.L. Future Trends in process automation. Anual Reviews in
Control, v. 31, Issue 2, p. 211-220, Elsevier: 2007.
(34)
JELALI, M. An overview of control performance assessment technology and industrial
applications, Control Engineering Practice, v. 14, p. 441-466, Elsevier: 2006.
(35)
KADLEC, P.; GABRYS, B.; STRANDT, S. Data-driven soft sensors in the process
industry, Computer and Chemical Engineering, v. 33, p. 795-814, 2009.
(36)
KAEWBOONSONG, W.; KOUPRIANOV, V.I. Minimizing Fuel and external
costs for a variable-load utility boiler firing fuel oil, International Journal of Thermal
Sciences, v. 42, p. 889-895, 2003.
(37)
KALOGIROU, S.A. Artificial intelligence for the modelling and control of combustion
processes: a review, Progress in Energy and Combustion Science, v. 29, p. 515-566, 2003.
(38)
KATAEV, P.; SLOBOTKIN, W.; SLAVNOV, A.; HEAVNER, L. Crude gets smart
- Neural network technology proves best choice for virtual sensing in crude refining
units , InTech, Maro/2007, disponvel em: http://www.isa.org/PrinterTemplate.cfm?
Section=InTech_Home1&template=/Content, acessado em 30/05/2010.
(39)
LANDIS & STAEFA, Landis Staefa Controls, disponvel em: http://www.hvacplus.net/
landis-staefa.html, acessado em 20/03/2010.
(40)
LEONARD, J.; KRAMER, M.A. Improvement of the backpropagation algorithm for
training neural networks, Computers chem. Engng., v. 14, issue 3, p. 337-341, 1990.
(41)
LIMA, D.O.; SOGABE, V.P.; CALARGE, T.C.C. Uma anlise sobre o mercado
mundial de biodiesel, XLVI Congresso da Sociedade Brasileira de Economia,
Administrao e Sociologia Rural, Acre, 2008.
(42)
MAIER, H.R.; DANDY, G.C. The effect of internal parameters and geometry on the
performance of back-propagation neural networks: an empirical study, Environmental
Modelling and Software, v. 13, p. 193-209, 1998.
(43)
MENDONA, E. S.; CAMPOS, M. C. M. M.; SOUZA JR., M. B. Desenvolvimento
de ferramentas de apoio operao na tomada de decises em unidades de
recuperao de lquido de gs natural, Petro e Qumica, v. 313, p. 68-72, 2009.

(44)
MME. Ministrio de Minas e Energia, Matriz Energtica Nacional 2030 / Ministrio
de Minas e Energia, colaborao Empresa de Pesquisa Energtica, Braslia: MME:
EPE, 2007a.
(45)
MME. Ministrio de Minas e Energia, Plano Nacional de Energia 2030 / Ministrio de
Minas e Energia, colaborao Empresa de Pesquisa Energtica, Braslia: MME: EPE,
2007b.
(46)
MOREIRA, I.M.; CAMPOS, P.B.; LACEY, M.E.Q.; MIRANDA, G.R.; LISBOA,
H.M. VI-055 Estimativa e Comparao da Emisso de Poluentes pelos nibus
urbanos da cidade de Florianpolis (SC) com a utilizao de diesel e biodiesel como
combustveis, disponvel em: http://www.lcqar.ufsc.br/adm/publicacoes/VI-055.pdf,
Acessado em: 28/06/2010, XIII SILUBESA - Simpsio Luso-Brasileiro de Engenharia
Sanitria e Ambiental, Par, 2008.
(47)
NEURALWARE, Neuralware: Support:Frequently Asked Questions, disponvel em:
http://www.neuralware.com/support_faq.jsp, acessado em 30/05/2010.
(48)
NIMMO, I. Future of Supervisory Systems in Process Industries: Lessons for discrete
manufacturing, Annual Reviews in Control, v. 23, p. 45-52, 1999.
(49)
OGUNNAIKE, B.A. A Contemporary industrial perspective on process control theory
and practice, A. Rev. Control, v. 20, p. 1-8, Great Britain, 1996.
(50)
OLIVEIRA, A.P.; BISPO, L.H.O. Sistema de Monitorao e Controle para o estudo
de eficiencia de uma caldeira de pequeo porte com misturas de combustveis,
Monografia, Rio de Janeiro: UFRJ/EQ, 2008.
(51)
OLSSON, L.; SCHULZE, U.; NIELSEN, J. On-Line bioprocess monitoring an
academic discipline or an industrial tool ? Trends in Analytical Chemistry, v. 17, n. 2,
p. 88-95, 1998.
(52)
PENTEADO, R.A.N, WLHELM, H.M.; SILVA, E.L. Avaliao do Desempenho de
Misturas de Biodiesel em Motor do Ciclo Diesel para Aplicao em Gerao de
Energia Eltrica, disponvel em: http://www.biodiesel.gov.br/docs/congresso2007/
caracterizacao/8.pdf, Acessado em: 28/09/2010, II Congresso da Rede Brasileira de
Tecnologia do Biodiesel, 2007.
(53)
PETERSSON, H.; HOLMBERG, M. Initial studies on the possibility to use chemical
sensors to monitor and control boilers, Sensors and Actuators, v. B 111-112,
p. 487-493, 2005.
(54)
PETROBRAS, Para voc nas ruas Petrobras, 2010, disponvel em:
http://www.petrobras.com.br/pt/produtos/para-voce/nas-ruas/#oleo-diesel-details,
Acessado em: 30/072010.

(55)
RAMADHAS, A.S.; JAYARAJ, S. MURALEEDHARAN, C, PADMAKUMARI,
K. Artificial Neural Networks used for the prediction of the cetane number of
biodiesel, Renewable Energy, v. 31, p. 2524-2533, 2006.
(56)
RAMEBACK, C. Process Automation Systems History and Future, 2003 IEEE
Conference on Emerging Technologies and Factory Automation Proceedings, v. 1,
p. 3-4, Lisboa: Setembro 2003.
(57)
RAMIREZ-BELTRAN, N.D.; JACKSON, H. Application of Neural Networks to
Chemical Process Control, Computers and Industrial Engineering, v. 37, p. 387-390,
1999.
(58)
RATHMANN, R.; BENEDETTI, O.; PL, J.A.; PADULA, A.D. Biodiesel: uma
alternativa estratgica na matriz energtica brasileira? Porto Alegre, 2005,
Disponvel em: http://www.biodiesel.gov.br/docs/ArtigoBiodieselGINCOB-
UFRGS.pdf. Acessado em: 30/07/2010.
(59)
RUMELHART, D.E.; MCCLELLAND, J.L. Parallel Distributed Processing:
Explorations in the Microstructure of Cognition, MIT Press, Cambridge, 1986.
(60)
SAMAD, T.; MCLAUGHIN, P.; LU, J. System architecture for process automation:
review and trends, Journal of Process Controle, v. 17, Issue 3, p. 191-201, Maro 2007.
(61)
SARTORI, I. Gerenciamento de eventos anormais de uma unidade de processamento de
gs natural atravs de sistemas de deteco e diagnstico de falhas. Salvador, 2010.
127f. Exame de Qualificao ao Doutorado (Doutor em Cincias) Programa de
Engenharia Industrial/ Escola Politcnica, Universidade Federal da Bahia, 2010.
(62)
SARTORI, I.; AMARO, C.A.; SOUZA ,M.B.; EMBIRUU, M. Deteco, Diagnstico
e Correo de Falhas em Processos Industriais: I. uma proposio consistente de
Definies e Terminologias, SBA Controle & Automao, 2010 (submetido).
(63)
SCHROEDER, N. Process Automation Markets in 2010, Report. Intechno
Consulting, 2003.
(64)
SMAR Equipamentos Industriais, FOUNDATION Fieldbus General Manual,
Sertozinho, 2009a.
(65)
SMAR Equipamentos Industriais, FOUNDATION Fieldbus Function Blocks Manual,
Sertozinho, 2009b.
(66)
SMAR Equipamentos Industriais, System302 Automao Empresarial, Palestra,
disponvel em: http://ftp.lahtermaher.org/pub/info/books/webmachining.graco.unb.br/pub/
Treina-PD3-UNB/ palestras/Opt_System302_atual.pdf, Acessado em: 13/01/2010.

(67)
SMITH, J.M.; VAN NESS, H.C, ABBOTT, M.M. Introduccin a la Termodinmica
en Ingeniera Qumica, 5a ed. McGraw-Hill/Interamericana Editores, Mxico, 1997.
(68)
STATISTICA, Statistica Eletronic Manual Statistica 8.0, StatSoft, USA, 2007.
(69)
STEPHANOPOULOS, G.; HAN, C. Intelligent systems in process engineering: a review,
Computers chem. Eng., v. 20, n. 6/7, p. 743-791, 1996.
(70)
TEIXEIRA, F.L.C. Difuso da Tecnologia de Base Micro-eletrnica na Indstria de
Processo Contnuo, Revista de Administrao de Empresas, So Paulo, 32(5), p. 16-
26, 1992.
(71)
TESTO. Testo 350-S Control Unit in combination with Testo 350-S/-XL Flue Gas
Analyzer Instruction Manual, TESTO AG, Dinamarca, 2008.
(72)
TORRES, B.S.; HORI, E.S. Anlise de Desempenho de Malhas de Controle em
Indstria Petroqumica, 4 Seminrio Nacional de Controle e Automao,
Salvador/BA, Julho 2005.
(73)
TRONCI, S.; BARATTI, R. SERVIDA, A. Monitoring pollutant emissions in a
4.8MW power plant through neural network, Neurocomputing, v. 43, p. 3-15, 2002.
(74)
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO. SISTEMA DE
BIBLIOTECAS E INFORMAO. Manual para elaborao e normalizao de
dissertaes e teses / organizado por Elaine Baptista de Matos Paula et al. 3. ed.
rev., atual. e ampl., Rio de Janeiro : SiBI, 2008. 102 p. (Srie Manuais de
Procedimentos, 5).
(75)
VALDMAN, A. Treinamento nos simuladores PTCCALD e PTCFORNO, Apostila de
Curso, QCONTROLL/SENAI, Natal, 2000.
(76)
VALDMAN, A.; DE SOUZA JR, M.B.; FOLLY, R.; VALDMAN, B. An automation
solution for online monitoring of exhaust gas emissions of a boiler fueled with
diesel/biodiesel blends, ESCAPE21 European Symposium on Computer-Aided
Engineering, Greece: 2011 (submetido).
(77)
VALDMAN, A.; DE SOUZA JR, M.B.; FOLLY, R.; VALDMAN, B. Implementao
em sistemas SCADA de redes neuronais multicamadas, Revista C&I Controle &
Instrumentao, So Paulo: 2010a (submetido).
(78)
VALDMAN, A.; DE SOUZA JR, M.B.; FOLLY, R.; VALDMAN, B. An integrated
boiler diagnosis system based on fieldbus protocol instrumentation, SCADA system
and neural networks, Control Engineering Pratice, 2010b (submetido).

(79)
VALDMAN, B.; SERFATY, R.; FOLLY, R.O.M.; ARANDA, D.A.G.; VALDMAN, A.;
QUINTELLA, J.; BOJORGE, N. CALCOM Combustveis Alternativos em Caldeiras
de Pequeno Porte Instrumentada, Relatrio Tcnico, FINEP/CTPETRO/CENPES-PB/
EQ-UFRJ, 2010 (em andamento).
(80)
VALDMAN, B.; FOLLY, R.; SALGADO, A. Dinmica, controle e instrumentao de
processos, Rio de Janeiro: Editora UFRJ, 2008.
(81)
VEJA Online, O biodiesel de soja, mamona, dend, canola, algodo, babau...; Em
profundidade: Energias Alternativas, disponvel em: http://veja.abril.com.br/idade/exclusivo/
energias_alternativas/contexto3.html, Acessado em 28/06/2010.
(82)
VENKATASUBRAMANIAN, V.; RENGASWAMY, R.; KAVURI, S.N. A review
of process fault detection and diagnosis: Part II: Qualitative models and search
strategies, Computers & Chemical Engineering, v. 27, Issue 3, 15, p. 313-326,
Maro 2003.
(83)
VENKATASUBRAMANIAN, V.; RENGASWAMY, R.; KAVURI, S.N.; YIN, K.
A review of process fault detection and diagnosis: Part I: Quantitative model-based
methods, Computers & Chemical Engineering, v. 27, Issue 3, 15, p. 327-346, Maro
2003a.
(84)
VENKATASUBRAMANIAN, V.; RENGASWAMY, R.; KAVURI, S.N.; YIN, K.
A review of process fault detection and diagnosis: Part III: Process history based
methods, Computers & Chemical Engineering, v. 27, Issue 3, 15, p. 327-346, Maro
2003b.
(85)
ZHANG, Y.; JIANG, J. Bibliographical review on reconfigurable fault-tolerant
control systems, Annual Reviews in Control, v. 32, Issue 2, p. 229-252, Dezembro
2008.

APNDICE

Apndice 152
Apndice A Variveis de processo coletadas no banco de dados histricos, disponveis para

a caldeira flamotubular do LADEQ/EQ/UFRJ
Caracterstica
Varivel Tag Descrio principal
Origem
1 Corrida Identificao da corrida Categrica manual Sistema SCADA

2 Data Data registrada para o dado coletado Contnua Sistema SCADA
3 HoraS Hora registrada para o dado coletado Contnua Sistema SCADA
Minutos corridos a partir do incio da corrida, registrado
4 MinutosS Contnua Sistema SCADA
para o dado coletado
5 COMB Proporo de biodiesel na mistura Contnua manual Sistema SCADA
6 LIT-1013 Nvel do tanque de alimentao de combustvel Contnua Sistema SCADA
7 LIT-1021 Nvel do tanque de alimentao de gua Contnua Sistema SCADA
8 LIT-1026 Nvel da caldeira Contnua Sistema SCADA
9 FIT-1024 Vazo de gua de alimentao Contnua Sistema SCADA
10 FIT-1031 Vazo de vapor Contnua Sistema SCADA
11 PIT-1032 Presso de vapor na linha Contnua Sistema SCADA
12 TIT-1011 Temperatura do leo combustvel Contnua Sistema SCADA
13 TIT-1023 Temperatura da gua de alimentao Contnua Sistema SCADA
14 TIT-1042 Temperatura dos gases da chamin Contnua Sistema SCADA
15 SI-1046 Ajuste do excesso de ar a ser fornecido a caldeira Contnua manual Sistema SCADA
16 TMFIT-1031 Totalizao de vapor produzido Contnua calculada Sistema SCADA
17 CA_EF Eficincia da caldeira Contnua calculada Sistema SCADA
Bomba de alimentao de biodiesel aos tanques de
18 BB-1011 Discreta Sistema SCADA
armazenamento
Bomba de alimentao de diesel aos tanques de
19 BB-1012 Discreta Sistema SCADA
armazenamento
20 BB-1013 Bomba de alimentao de diesel ao tanque de mistura Discreta Sistema SCADA
21 MT-1014 Motor de agitao ao tanque de mistura Discreta Sistema SCADA
22 PSH-1026 Alarme pressostato de mlta Discreta Sistema SCADA
23 LSLL-1026 Alarme nvel baixo de gua Discreta Sistema SCADA
24 BB-1015 Bomba de alimentao de combustvel caldeira Discreta Sistema SCADA
25 BB-1021 Bomba de alimentao de gua ao tubulo Discreta Sistema SCADA
26 MT-1016 Soprador Discreta Sistema SCADA
27 XSL-1012 Alarme falha de chama Discreta Sistema SCADA
28 XSH-1011 Queimador ligado Discreta Sistema SCADA
29 HoraA Hora registrada para o dado coletado Contnua Sistema SCADA
Minutos corridos a partir do incio da corrida,
30 MinutosA Contnua Sistema SCADA
registrado para o dado coletado
31 %O2 Medio da Clula eletroqumica de oxignio Contnua Analisador de gases
32 ppmCO Medio da Clula eletroqumica de monxido de carbono Contnua Analisador de gases
33 %CO2 Medio da clula infravermelho de dixido de carbono Contnua Analisador de gases
Medio da Clula eletroqumica de monxido de
34 ppmNO Contnua Analisador de gases
nitrognio
35 ppmNO2 Medio da Clula eletroqumica de dixido de nitrognio Contnua Analisador de gases
36 ppmSO2 Medio da Clula eletroqumica de dixido de enxofre Contnua Analisador de gases
37 %AR Excesso de ar Contnua calculada Analisador de gases

AUTOMACAO CALDEIRA Sistema de Automacao para Monitoramento Online de Gases Residuais

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

AUTOMACAO CALDEIRA Sistema de Automacao para Monitoramento Online de Gases Residuais

Transféré par

Droits d'auteur :

Formats disponibles

SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE

DE GASES RESIDUAIS E DIAGNSTICO DE UMA CALDEIRA

OPERADA COM MISTURAS DIESEL/BIODIESEL

ORIENTAO: PROF. MAURCIO BEZERRA DE SOUZA JR., D.SC.

SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE DE GASES RESIDUAIS E

Dissertao de Mestrado apresentada ao Programa de

V144s Valdman, Andrea,

Sistema de Automao para Monitoramento Online de Gases Residuais

xix , 152 f. il.

Dissertao (Mestrado em Tecnologia de Processos Qumicos e

Orientador: Maurcio Bezerra de Souza Junior.

1. Controle de processo. 2. Automao Industrial. 3. Deteco e

SISTEMA DE AUTOMAO PARA MONITORAMENTO ONLINE DE GASES RESIDUAIS E

DISSERTAO SUBMETIDA AO CORPO DOCENTE DO CURSO

Prof. Maurcio Bezerra de Souza Jr., D.Sc.

Profa. Ana Maria Frattini Filetti, D.Sc.

Prof. Eduardo Mach Queiroz, D.Sc.

Prof. Luiz Augusto C. Meleiro, D.Sc.

RIO DE JANEIRO, RJ - BRASIL

A TODOS do Projeto CALCOM, com letras maisculas, em especial ao tcnico Gilberto e ao

Ao Conselho Nacional de Pesquisa - CNPq, pelo financiamento da bolsa de mestrado.

VALDMAN, Andrea. Sistema de automao para monitoramento online de gases residuais e

A dificuldade em gerenciar desvios operacionais em processos industriais a principal

VALDMAN, Andrea. An automation solution for online monitoring of exhaust emissions

1.1 Motivao e Objetivos.................................................................................................1

2.1 Apresentao ................................................................................................................8

3.1 Apresentao ..............................................................................................................43

3.4 Metodologia de desenvolvimento do analisador virtual online ........................60

4.1 Apresentao ..............................................................................................................75

5.1 Apresentao ............................................................................................................111

6.1 Concluses ................................................................................................................137

Figura 5.15. Resultados da validao online aps a manuteno para a predio de

Tabela 3.1. Especificao Tcnica da Caldeira Modelo CV-VDM-500..........................45

Tabela 4.1. Variveis experimentais coletadas .................................................................76

Tabela 4.5. Comparao de resultados do filtro de outliers, aps a retirada da corrida

Tabela 5.1. Pontos pr-existentes e novos definidos na base de dados do sistema

ABNT Associao Brasileira de Normas Tcnicas

VVapt massa de vapor produzida at o instante de tempo t

E SOS gradiente do erro

1.1 Motivao e Objetivos

TPQB Escola de Qumica/UFRJ Valdman, A.

Diagnstico de Controle Equipe de

Superviso e Monitorao Equipe de

Medida Transmisso Controle Atuao

Figura 1.1. Fluxograma das etapas funcionais bsicas em automao industrial

Conforme pode ser observado, o processo o elemento de referncia, apresentando

TPQB Escola de Qumica/UFRJ Valdman, A.

Observa-se que, em principio, todos os dispositivos utilizados na etapa de instrumentao

A varivel de medida mais crtica a um determinado processo pode no ser mensurvel

Estratgias de controle definidas na teoria para suprir determinadas situaes operacionais

A confiabilidade nos valores das variveis de medida disponibilizados pela instrumentao

A dificuldade em identificar e diagnosticar em tempo hbil, de forma precisa e quantificada,

TPQB Escola de Qumica/UFRJ Valdman, A.

Vrios autores (HIMMELBLAU, 1978; ISERMANN, 2006; FORTUNA et al, 2007)

TPQB Escola de Qumica/UFRJ Valdman, A.

rudos e oscilaes, determina que a identificao de falhas seja acompanhada em nveis de

TPQB Escola de Qumica/UFRJ Valdman, A.

TPQB Escola de Qumica/UFRJ Valdman, A.

O captulo de Reviso Bibliogrfica apresenta um breve panorama histrico do desen-

O captulo de Materiais e Mtodos apresenta uma breve descrio do funcionamento da

O primeiro captulo de Resultados e Discusses apresenta uma anlise dos resultados

O captulo de Concluses e Sugestes apresenta as concluses finais do trabalho, alm

TPQB Escola de Qumica/UFRJ Valdman, A.