Académique Documents
Professionnel Documents
Culture Documents
ANDREA VALDMAN
DISSERTAO DE MESTRADO
APRESENTADA AO PROGRAMA
DE PS-GRADUAO EM
TECNOLOGIA DE PROCESSOS
QUMICOS E BIOQUMICOS DE
ESCOLA DE QUMICA DA UFRJ.
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
2010
ii
ANDREA VALDMAN
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
AGOSTO 2010
iii
CDD: 665.776
iv
ANDREA VALDMAN
APROVADA POR:
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.
Resumo:
Abstract:
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
Captulo 2
Reviso Bibliogrfica..........................................................................................................8
Captulo 3
Materiais e Mtodos..........................................................................................................43
Captulo 4
Desenvolvimento do sensor virtual ...............................................................................75
Captulo 5
Implementao online do sensor virtual .....................................................................111
Captulo 6
Concluses e Sugestes ..................................................................................................137
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
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:
Captulo 4:
Captulo 5:
Lista de Abreviaturas:
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
Smbolos gregos
ndices
k nmero da camada anterior quela analisada,
j nmero do neurnio da camada analisada.
p nmero de padres
CAPTULO 1
Introduo
PROCESSO
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.
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:
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.
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
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
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
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
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.
Variveis calculadas
A Analise Alarme
C Controle
D Diferencial
Sensor (elemento
E Voltagem
primrio)
F Vazo Razo
H Manual Alto
Ponto (teste de
P Presso
conexo)
Integrao,
Q Quantidade
totalizao
T Temperatura Transmisso
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 Mtodos
Quantitativos Qualitativos
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).
Mau
Irregularidade intermitente, ou no, em relao ao cumprimento de uma
funcionamento
funo desejada do sistema
(Malfunction)
Sintoma Estado
Funes Descrio
Deteco
Isolamento da Falha
identificando o estado de falha existente
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
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).
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.
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)
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,
1 2
FObjetivo = Yrn p Y p (2.8)
2
P N
(
E SOS = Y i , p Yrni , p )2 (2.9)
p =1 i =1
w k +1 = E SOS (2.10)
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%
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.
Sistemas
Sistemas
Lgica Neuro- Hbridos Especialistas
fuzzy 7%
12%
5%
Lgica
Fuzzy
16%
Algoritmos
genticos
9%
Redes
Neuronais
51%
Figura 2.7. Levantamento de 2003 da aplicao de inteligncia artificial em controle de processos de combusto
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
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
Tabela 2.5. Projees do Plano Nacional de Energia para o consumo de diesel, produo e percentual de biodiesel
Demanda total de diesel (mil ton) 35901 41878 49698 56837 67405 80146
Produo de biodiesel (mil ton) 139 2095 2988 3987 6714 9644
Tabela 2.6. Limites mximos para a emisso de poluentes em caldeiras leo diesel
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.
Varivel Valor
Capacidade de Produo de Vapor,
500 kg/h
com gua a 20C
Potencia trmica nominal 0,3 MW
Categoria B
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).
Varivel Valor
Valdman, A.
47
Captulo 3. Materiais e Mtodos 48
Campo
Sinal Fsico-Qumico:
variveis contnuas. Sinal Eletro-Mecnico:
Processo variveis discretas
Sinal Eletro-Mecnico:
variveis discretas.
Sinal Digital:
Fieldbus , Ethernet
Computador
Sistema Supervisrio - SCADA
Sala de Controle
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
Fonte: VALDMAN, B et al, 2010.
=
(FVap )* vap (3.1)
FComb * Cpc
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).
CA _ EF =
(MVap1 MVap0 )* vap (3.2)
(VComb1 VComb0 )* F * c * Cpc
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
CO 2max O 2m
ar = 1 = (3.3)
CO 2m O 2max O 2m
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
Fonte: VALDMAN, B et al, 2010.
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,
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;
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;
Tratamento
Identificao dos
de dados
Pr-Tratamento de dados padres em estado
estacionrio
Aplicao de filtros
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
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.
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
Tabela 3.9. Categorias de identificao de falhas disponveis nos equipamento fieldbus utilizados
Tabela 3.10. Diagnsticos de tipos de falha disponveis nos equipamento fieldbus utilizados
Tabela 3.11. Diagnsticos de informao para sinais diretos disponveis nos equipamentos fieldbus utilizados
Figura 3.8. Gerenciamento de ocorrncias - detalhe do rodap da tela principal de operao da caldeira
Tabela 3.12. Diagnsticos disponveis no sistema SCADA para Deteco e Isolamento da ocorrncia
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
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.
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
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
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
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
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
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
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.
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.
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
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.
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
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
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.
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
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
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;
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
Figura 4.6. Nmero de pontos disponveis no sistema SCADA, aps a aplicao dos filtros por corrida experimental
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
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
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
Tabela 4.6. Mdias e desvios padro obtidos para a matriz de dados de processo consolidada
Tabela 4.7. Variveis de Entrada (independentes) e de Sada (dependentes) da rede neuronal preliminar
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
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.
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
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.
Tabela 4.10. Performance comparativa das redes neuronais preliminares obtidas para o analisador virtual
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)
Figura 4.8. Anlise comparativa da correlao R2 mdio obtida para as redes preliminares
Tabela 4.11. Anlise comparativa do nmero de parmetros necessrios para as redes preliminares obtidas
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:
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.
Tabela 4.12. Variveis de Entrada (independentes) e de Sada (dependentes) da rede neuronal final
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.
Tabela 4.15. Performance comparativa das redes neuronais tipo MLP obtidas aps a reduo de dimenso
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
escondida Treinamento Validao Treinamento Validao Escondida Sada
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
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
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
escondida Treinamento Validao Treinamento Validao Escondida Sada
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.
4.6.1 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
NI i = ( I i * AI ) BI (4.5)
1
onde AI =
MaxI i MinI i
MinI i
BI =
MaxI i MinI i
Si = (NSi * AS ) + BS (4.7)
f ( H pj ,k +1 ) = tanh( H pj ,k +1 ) (4.8)
f j ,k +1 (O pj ,k +1 ) = O pj ,k +1 (4.9)
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
Camada Sada
Escondida 1 2 3 4 5 6
1 -0,845129429807031 -0,212077790353748 0,383686511779928 1,827357225315730 0,398218080939790 -0,315703156178299
6 35
30
5
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)
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
Tabela 4.20. Fator de correlao R2 obtido para a rede neuronal selecionada por varivel de sada
6 ppmSO2 0,97
3 %CO2 0,96
5 ppmNO2 0,96
4 ppmNO 0,93
2 ppmCO 0,88
-- Mdia 0,95
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.
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.
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 ?
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
Figura 5.2. Tela de configurao de uma rede neuronal do tipo MLP no sistema SCADA
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.
Figura 5.4. Exemplo de tela de tendncia em tempo real implementada para o analisador virtual de gases online
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)
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)
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%.
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
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
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
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
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
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
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)
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)
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)
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.
6 35
30
5
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)
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
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.
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
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
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
20
Concentrao de CO nos gases residuais (ppm)
15
10
-5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
s
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
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 5.20. 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.
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
Diagnstico de falha em
funo das variveis de
entrada
HABILITADO
S
CONFIABILIDADE DA INFORMAO:
BOM
Figura 5.22. Diagnsticos do analisador virtual online em funo das variveis de entrada
CONFIABILIDADE DA INFORMAO:
BOM
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
CONFIABILIDADE DA INFORMAO:
INCERTO
Figura 5.23. Diagnsticos do analisador virtual online em funo das variveis de sada
Concluses e sugestes
6.1 Concluses
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
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:
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.
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.
(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.
Caracterstica
Varivel Tag Descrio principal
Origem