UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE C ENTRO DE T ECNOLOGIA P ROGRAMA DE P S -G RADUAO EM E NGENHARIA E LTRICA E DE C OMPUTAO

Deteco e Diagnstico de Agarramento em Vlvulas Posicionadoras

Allan Robson Silva Venceslau

Orientador: Prof. Dr. Luiz Affonso Henderson Guedes de Oliveira

Dissertao de Mestrado apresentada ao Programa de Ps-Graduao em Engenharia Eltrica e de Computao da UFRN (rea de concentrao: Engenharia de Computao) como parte dos requisitos para obteno do ttulo de Mestre em Cincias.

Natal, RN, Dezembro de 2012

Resumo

Agarramento, ou atrito esttico, em vlvulas posicionadoras um problema muito comum nos processos industriais modernos. Recentemente, muitos estudos so desenvolvidos para tentar entender, modelar e detectar esse tipo de problema. Porm quanticar o agarramento ainda um desao. Uma vez que a posio da vlvula (mv) normalmente desconhecida em um processo industrial, o principal desao diagnosticar agarramento tendo conhecimento apenas dos sinais de sada do processo (pv) e o sinal de controle (op). Neste trabalho apresentada uma proposta baseada em Redes Neurais Articiais para detectar e quanticar o grau de agarramento em vlvulas utilizando apenas as informaes de pv e op. Diferente mtodos para o pr-processamento do conjunto de treinamento da Rede Neural so apresentados. Esses mtodos so baseados no clculo de Centroide e de Transformada de Fourier. A proposta validada atravs de um processo simulado e os resultados obtidos foram satisfatrios. Palavras-chave: Agarramento, Vlvulas Posicionadoras, Detectar, Quanticar, Redes Neurais, Centroide, Transformada de Fourier.

Abstract

Valve stiction, or static friction, in control loops is a common problem in modern industrial processes. Recently, many studies have been developed to understand, reproduce and detect such problem, but quantication still remains a challenge. Since the valve position (mv) is normally unknown in an industrial process, the main challenge is to diagnose stiction knowing only the output signals of the process (pv) and the control signal (op). This paper presents an Articial Neural Network approach in order to detect and quantify the amount of static friction using only the pv and op information. Different methods for preprocessing the training set of the neural network are presented. Those methods are based on the calculation of centroid and Fourier Transform. The proposal is validated using a simulated process and the results show a satisfactory measurement of stiction. Keywords: Stiction, Control Loops, Detect, Quantication, Neural Network, Centroid, Fourier Transform.

Sumrio

Sumrio Lista de Figuras Lista de Tabelas Lista de Smbolos e Abreviaturas 1 Introduo 1.1 Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Diviso do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Deteco de Falhas 2.1 Caractersticas de um Sitema de Deteco de Falhas 2.2 Etapas do Processo de Deteco de Falhas . . . . . 2.3 Classicao dos Mtodos de Deteco de Falhas . 2.4 Tipos de Falhas mais Comuns . . . . . . . . . . .

i iii v vi 1 3 4 4 5 6 6 8 12 14 16 19 22 24 25 28 30 30 31

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

Agarramento em Vlvulas Posicionadoras 3.1 Modelagem de agarramento em vlvulas posicionadoras . . . . . . . . . Estado da Arte Proposta 5.1 Abordagem 01 - Centroide . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Abordagem 02 - Anlise Espectral . . . . . . . . . . . . . . . . . . . . . 5.3 Abordagem 03 - Anlise Espectral + Centroide . . . . . . . . . . . . . . Resultados 6.1 Abordagem 01 - Centroide . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1 Caso 1: Sem agarramento . . . . . . . . . . . . . . . . . . . . . i

4 5

6.2 6.3 7

6.1.2 Caso 2: Agarramento com apenas banda morta 6.1.3 Caso 3: Undershoot . . . . . . . . . . . . . . 6.1.4 Caso 4: Overshoot . . . . . . . . . . . . . . . 6.1.5 Caso 5: Sem offset . . . . . . . . . . . . . . . 6.1.6 Caso 06: Outras Situaes . . . . . . . . . . . Abordagem 02 - Anlise Espectral . . . . . . . . . . . Abordagem 03 - Centroide + Anlise Espectral . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

31 32 32 33 34 35 37 40 41 41 42

Concluses 7.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Publicaes Associadas . . . . . . . . . . . . . . . . . . . . . . . . . . .

Referncias bibliogrcas

Lista de Figuras

1.1 2.1 2.2 2.3 2.4 2.5 2.6 3.1 3.2 3.3 3.4 4.1 4.2 5.1 5.2 5.3 5.4 5.5 5.6 6.1 6.2 6.3 6.4 6.5 6.6

Pirmide da Automao Industrial. . . . . . . . . . . . . . . . . . . . . . Etapas do processo de deteco e diagnstico de falhas. . . . . . . . . . . Classicao dos algoritmos de diagnstico. . . . . . . . . . . . . . . . . Thresholds do sinal Y (t ). . . . . . . . . . . . . . . . . . . . . . . . . . . Representao do mtodo de deteco de falhas por equaes de paridade. Esquema de blocos representando o mtodo de deteco e classicao de falhas atravs de identicao de sistemas. . . . . . . . . . . . . . . . Classicao de falhas quanto a localizao. . . . . . . . . . . . . . . . . Falhas em vlvulas posicionadoras . . . . . . . . . Diagrama de fase de uma vlvula com agarramento. Modelo proposto. . . . . . . . . . . . . . . . . . . Algoritmo de modelagem de agarramento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 7 9 10 10 11 12 15 16 17 18 19 20 23 25 25 26 27 28 31 32 33 33 34 36

Defasagem dos Sinais. . . . . . . . . . . . . . . . . . . . . . . . . . . . Elipse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama de fase. . . . . . . . . . . . . . . . . . . . . . . . . . centroide. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama de blocos da proposta. . . . . . . . . . . . . . . . . . Sada do Processo Para Diferentes Nveis Agarramento. . . . . . Diagrama de Blocos da Proposta Baseada em Anlise Espectral. Diagrama de Blocos da Proposta Baseada em Anlise Espectral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Agarramento com apenas Banda Morta para a abordagem 01. . . . Agarramento do tipo Undershoot para a abordagem 01. . . . . . . Agarramento do tipo Overshoot para a abordagem 01. . . . . . . . Agarramento sem offset para a abordagem 01. . . . . . . . . . . . Conguao de Agarramento para a abordagem 01: J = 2 e S = 4. Congurao de agarramento para a abordagem 02: J = 2 e S = 3.

iii

6.7 6.8 6.9 6.10 6.11

Congurao de agarramento para a abordagem 02: Congurao de agarramento para a abordagem 02: Congurao de agarramento para a abordagem 03: Congurao de agarramento para a abordagem 03: Congurao de agarramento para a abordagem 03:

J = 3 e S = 3. J = 5 e S = 2. J = 2 e S = 4. J = 3 e S = 3. J = 3 e S = 6.

. . . . .

. . . . .

. . . . .

. . . . .

36 37 38 38 39

Lista de Tabelas

6.1 6.2 6.3

Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 01. . . . . . . . . . . . . . . . Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 02. . . . . . . . . . . . . . . . Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 03. . . . . . . . . . . . . . . .

34 37 39

Lista de Smbolos e Abreviaturas

AEM: CLP: DSS: EPS: ERP: FFT: MSE: PCA: RNA: SAD:

Abnormal Event Management Controladores Lgicos Programveis Decision Support System Enterprise Production Systems Enterprise Resource Planning Fast Fourier Transform Mean Square Error Principal Component Analysis Redes Neurais Articiais Sistema de Apoio Deciso

SCADA: Supervisory Control and Data Acquisition

vi

Captulo 1 Introduo

Segundo o dicionrio Aurlio de lngua portuguesa [de Holanda Ferreira 1993], automao (do ingls Automation) um sistema automtico de controle pelo qual os mecanismos vericam seu prprio funcionamento, efetuando medies e introduzindo correes, sem a interferncia do homem. O conceito de automao foi institudo nos Estados Unidos apenas em 1946, nas fbricas automotivas e, atualmente, o termo signica qualquer sistema que utilize mquinas e que substitua o trabalho humano com o intuito, por exemplo, de aumentar a velocidade e a qualidade dos processos produtivos, a segurana dos funcionrios, alm de obter maior controle, planejamento e exibilidade da produo. A automao foi, sem dvida uma das grandes revolues tecnolgicas do sculo XX, pois possibilitou otimizar processos antes realizados pela fora humana e desempenhar tarefas antes impossveis para o homem. Um sistema de automao atual pode ser melhor compreendido se o dividirmos em nveis, como ilustra a Figura 1.1.
Enterprise Resource Planning Dados Corporativos

ERP

EPS

Enterprise Production System Dados de Produo

CLP e SCADA Sensores e Atuadores

Controle e Superviso Dados em tempo real

Redes Industriais

Figura 1.1: Pirmide da Automao Industrial.

CAPTULO 1. INTRODUO

Na base da pirmide encontra-se o nvel de sensores e atuadores. Estes so responsveis pela interao direta com o processo, fazendo a leitura das variveis relevantes atravs dos sensores e interferindo no processo por intermdio dos atuadores. No nvel imediatamente acima, encontram-se os controladores lgicos programveis (CLP) e os SCADA (Supervisory Control and Data Acquisition), que so responsveis por realizar o controle automatizado das atividades e a superviso da planta, respectivamente. O terceiro nveis, Enterprise Production Systems (EPS), o responsvel pela gerncia de informao. Neste nvel so armazenados dados referentes aos processos que podem ser utilizados como informao til. No topo da pirmide esto os sistemas responsveis pela transformao desses dados em informao de negcio, Enterprise Resource Planning (ERP) [Leito 2008]. A automao industrial vem experimentando grande desenvolvimento nos anos recentes, muito em funo dos desenvolvimentos tecnolgicos nas reas de eletrnica digital e informtica, resultando em um ambiente cada vez mais preciso, eciente, convel e seguro. Alm disso, torna possvel o monitoramento dos produtos desde a sua fase inicial de produo, no cho de fbrica, at o seu contato com o mercado, o que possibilita um maior controle de tudo o que acontece no processo de fabricao de produtos industrializveis dos mais diferentes setores. Mesmo com todo esse aparato tecnolgico, motivos para continuar aumentando o grau de automao na superviso dos processos ainda sobram. Alm da concorrncia cada vez mais acirrada em diversos setores da indstria, existe ainda o contnuo aumento das restries econmicas, ambientais e de segurana sobre a operao de processos industriais. Toda essa demanda crescente por ecincia, qualidade dos produtos, reduo de custos e a integrao dos vrios sistemas de controle no setor industrial, aliado aos preos elevados envolvidos em seus processos e inquestionvel necessidade de segurana, justicam a importncia da superviso (ou monitoramento) e dos sistemas de deteco e diagnstico de falhas envolvendo tais processos [Isermann 2005, Silva 2008]. Com o advento de equipamentos de campo cada vez mais inteligentes e baratos, uma grande variedade de dados proveniente desses equipamentos pde ser disponibilizada em tempo real para os sistemas supervisrios ou mesmo para outras aplicaes. Assim, o grande desao atual da engenharia transformar essa grande quantidade de dados em informao til tomada de deciso, de modo que venha a contribuir efetivamente na melhoria da operao e planejamento do processo como um todo. Alm disso, a deteco e o diagnstico prematuro de uma falha, enquanto o processo ainda est operando em uma regio controlvel, pode ajudar a evitar um comportamento inesperado do sistema, que em ltima anlise poderia ocasionar perdas bastante conside-

CAPTULO 1. INTRODUO

rveis como: paralizao de processos, danos a equipamentos de custo elevado e principalmente, acidentes envolvendo vidas humanas, etc. O que se traduz, entre outras coisas, em perdas nanceiras que podem chegar a valores bastante elevados, dependendo do tamanho e do setor da indstria em questo.

1.1

Motivao

Uma falha em um processo industrial pode ocorrer devido a inmeros fatores. De acordo com Jelali (2006), os fatores que comprometem o desempenho de malhas de controle so de maneira geral: erros de projeto, mau-funcionamento de sensores e atuadores, estrutura ou sintonia de controles e falta de manuteno. No que se referem aos atuadores em um processo industrial, os mais encontrados nas malhas de controles das plantas industriais so as vlvulas posicionadoras. Essas vlvulas apresentam caractersticas no lineares (histese, zona-morta, agarramento, entre outras) provocadas pelo atrito entre as partes mveis da vlvula. Esta no linearidade pode causar efeitos indesejveis, como erros estacionrios e comportamento oscilatrio. Muitos pesquisadores consideram o atrito em vlvulas de controle um dos fatores mais relevantes para problemas de desempenho em malhas de controle [Romano 2010]. A rigor, o funcionamento de qualquer vlvula afetado por atrito, por menor que seja tal inuncia. Quando o atrito muito elevado, um procedimento imediato de manuteno pode ser necessrio. Por outro lado, em situaes menos severas, possvel usar compensadores especcos (baseados em modelos) para diminuir a perda de desempenho da malha, at que uma parada seja programada. Portanto algoritmos para quanticao de atrito podem gerar uma classicao de prioridade de manuteno, de acordo com a intensidade da no linearidade apresentada pela vlvula [Choudhury et al. 2006]. Estudos mostram que cerca de 30% das malhas de controle encontradas na indstria oscilam devido a problemas relacionados s vlvulas de controle [Garcia 2008]. Dentre os vrios tipos de no linearidade presentes em vlvulas posicionadoras, o agarramento o tipo mais comum [Choudhury et al. 2008]. Sendo assim, desenvolver tcnicas que possam detectar e diagnosticar esse problema bastante importante para a indstria. diante dessa realidade que este trabalho vem a contribuir com o estudo e anlise de tcnicas de deteco de falhas em vlvulas posicionadoras. Neste trabalho apresentada uma proposta baseada em Redes Neurais Articiais (RNA) para detectar e quanticar a quantidade de agarramento em uma vlvula.

CAPTULO 1. INTRODUO

1.2

Objetivos

Em linhas gerais, o objetivo desse trabalho contribuir para a rea de deteco e diagnstico de falhas, atravs de uma estratgia baseada em RNA para deteco de agarramento em vlvulas posicionadoras, utilizando apenas informaes de variveis de processo e aes de controle.

1.3

Diviso do trabalho

No Captulo 2, encontra-se uma panormica da rea de deteco de falhas, os principais conceitos e os tipos mais comuns de falhas encontradas em vlvulas posicionadoras. No captulo seguinte, encontra-se uma denio formal sobre agarramento em vlvulas e apresentado um modelo que simula esse tipo de falha. No Captulo 4 feito um apanhado bibliogrco das principais tcnicas para diagnstico de agarramento presentes na literatura. No Captulo 5 detalhada a proposta do trabalho para deteco e quanticao de agarramento em vlvulas posicionadoras. No Captulo 6 so mostrados os resultados obtidos, utilizando-se vrias conguraes de agarramento em uma planta simulada. E, nalmente, no Capitlo 7 encontram-se as concluses do trabalho juntamente com algumas consideraes para trabalhos futuros.

Captulo 2 Deteco de Falhas

Em meados da dcada de 1970 [Isermann 2005], o grau de automao envolvido nos processos industriais aumentou drasticamente em consequncia da disponibilidade dos microcomputadores, que eram capazes de resolver vrios problemas da automao [Silva 2008]. Aes de controle ditas de baixo nvel, como abrir e fechar vlvulas, que antes eram realizadas por operadores humanos, so agora executadas de maneira automatizada. No entanto, o dever de interpretar e realizar alguma ao quando a planta apresenta anormalidades ainda continua sendo uma tarefa bastante manual realizada pelo operador. Esta total conana nas aes humanas para lidar com eventos anormais e de emergncia tornou-se cada vez mais difcil devido ao tamanho e complexidade dos processos industriais modernos. Uma nica unidade de processo de grande porte pode chegar a ter mais do que 1.500 variveis do processo observadas a cada segundo [Bailey 1984]. Dessa maneira torna-se humanamente impossvel analisar essa quantidade de dados em to pouco espao de tempo. Alm disso, a tarefa de diagnstico de falha dicultada pelo fato de que as medies de processo podem muitas vezes ser insuciente, incompleta e/ou pouco conveis devido a uma variedade de causas, tais como m calibrao ou falha nos sensores. Dadas essas condies adversas, no nenhuma surpresa que os operadores humanos tendem a tomar decises erradas e realizar aes que tornam as coisas ainda piores. Estatsticas industriais mostram que cerca de 70% dos acidentes de trabalho so causados por erros humanos. Estes eventos anormais tm impacto signicativo na segurana, na economia e no meio ambiente [Venkatasubramanian, Rengaswamy, Yin & Kavuri 2003]. Visando auxiliar o operador a detectar e diagnosticar falhas nos processos industriais, a rea de Gerenciamento de Eventos Anormais, ou do ingls Abnormal Event Management (AEM), vem chamando bastante ateno nos ltimos tempos. O desao atual a automatizao da AEM utilizando sistemas de controle inteligentes, proporcionando assim auxlio aos operadores nas situaes de emergncia. As pessoas nas indstrias de

CAPTULO 2. DETECO DE FALHAS

processo veem isso como o prximo grande marco na pesquisa de sistemas de controle e aplicao [Venkatasubramanian, Rengaswamy, Yin & Kavuri 2003]. O diagnstico prematuro de uma falha enquanto o processo opera em uma regio controlvel, pode ajudar a evitar um comportamento inesperado do sistema, o que causaria perdas de produtividade e pode colocar em risco vidas humanas.

2.1

Caractersticas de um Sitema de Deteco de Falhas

Para que um Sistema de Deteco e Diagnstico de Falhas possa cumprir com o que ele foi desenvolvido para fazer, importante que ele possua algumas caractersticas principais [Venkatasubramanian, Rengaswamy, Yin & Kavuri 2003]: Deteco e Diagnstico rpido: O sistema de deteco de falha deve detectar e diagnosticar uma falha de forma rpida. Conseguir obter uma resposta rpida e precisa em tempo real so dois fatores importantes para a conabilidade do sistema. Robustez: O diagnstico do sistema deve ser convel mesmo na presena de rudo ou de incertezas. Seu desempenho deve decair de maneira suave ao invs de ter uma queda abrupta de conabilidade. Adaptabilidade: O sistema de diagnstico deve ser capaz de se adaptar a mudanas no apenas de perturbaes externas, como tambm se adaptar a mudanas nas condies de operao no processo, tais como alterao qualidade da matria prima utilizada ou na quantidade de produto produzido. Facilidade de explicao: Alm de ser capaz de identicar a causa da falha, o sistema de diagnstico deve tambm explicar como o problema se originou e se propagou at a situao atual. Armazenamento e esforo computacional: Normalmente, solues rpidas em tempo real requerem algoritmos com uma complexidade computacional baixa, mas isso requer um armazenamento em memria excessivo de informaes. Para que o sistema de diagnstico seja eciente, necessrio ponderar essas duas caractersticas.

2.2

Etapas do Processo de Deteco de Falhas

Para entender melhor como um sistema de deteco e diagnstico de falhas funciona, importante identicar as vrias transformaes que so realizadas durante o processo antes que o diagnstico nal seja feito [Venkatasubramanian, Rengaswamy, Yin & Kavuri

CAPTULO 2. DETECO DE FALHAS

2003]. A Figura 2.1 mostra as vrias etapas de processamento da informao para que o diagnstico nal seja realizado. A primeira etapa de um sistema de diagnstico de falhas chamado de Espao de Medio. nessa etapa onde so obtidos os valores das variveis de processo que sero analisadas para gerar o diagnstico nal. Nenhum conhecimento a priori do processo necessrio nesta etapa. O Espao de Caractersticas onde os valores medidos so analisados e combinados com o auxlio de algum conhecimento a priori para que sejam extradas informaes teis sobre a dinmica do processo, para auxiliar no diagnstico. A etapa seguinte chamada de Espao de Deciso. Nesta etapa formado um conjunto de pontos d = [d1 , . . . , dk ] onde k a quantidade de variveis de deciso, obtidas atravs de transformaes do espao de caractersticas. O mapeamento do Espao de Caractersticas para o Espao de Deciso geralmente designado para atender alguma funo objetivo (como minimizar o erro de classicao). Por m, temos o Espao de Classes que a etapa nal de um Sistema de Diagnstico. Esta ultima etapa representada por um conjunto de caractersticas c = [c1 , . . . , cM ], onde cada elemento ci representa diferentes falhas que o sistema pode diagnosticar.

Espao de Medio

Espao de Caractersticas

Espao de Classes

Espao de Deciso

Figura 2.1: Etapas do processo de deteco e diagnstico de falhas. Fazendo um comparativo com Redes Neurais, os ns de entrada da rede representam o Espao de Medio. Os neurnios ocultos correspondem ao Espao de Caractersticas. Os neurnios de sada da rede mapeiam o Espao de Caracterstica para o Espao de Deciso. Por m, a interpretao da sada da Rede Neural nos d o Espao de Classes.

CAPTULO 2. DETECO DE FALHAS

2.3

Classicao dos Mtodos de Deteco de Falhas

Devido abrangncia do problema de diagnstico de falha em processo e s diculdades na sua soluo em tempo real, vrias abordagens computacionais foram desenvolvidos ao longo dos anos. Elas cobrem uma ampla variedade de tcnicas, como as primeiras tentativas usando rvores de falhas e grafos, abordagens analticas e sistemas baseados em conhecimento e redes neurais em estudos mais recentes [Venkatasubramanian, Rengaswamy, Yin & Kavuri 2003]. H diversas tcnicas j utilizadas na construo de ferramentas com o objetivo de detectar falhas em processos industriais. Vale destacar que cada autor tem a sua viso particular de como categorizar essas tcnicas. Em especial, podemos destacar a classicao feita por Venkatasubramanian, Rengaswamy, Yin & Kavuri (2003) e por Isermann (2005). No trabalho desenvolvido por Venkatasubramanian, Rengaswamy, Yin & Kavuri (2003), os mtodos de diagnstico de falhas so classicados em trs categorias gerais. Eles so mtodos quantitativos baseados em modelos, mtodos qualitativos baseados em modelos e mtodos baseados em histrico. Os diferentes tipos de classicao podem ser visualizados na Figura 2.2. Os mtodos baseados em modelo so desenvolvidos a partir do conhecimento fsico do processo analisado. Nos modelos quantitativos, esse conhecimento expresso em termos de funes matemticas que descrevem a relao entre as entradas e as sadas do processo. J nos modelos qualitativos, as equaes so expressas em termos de funes qualitativas de diferentes unidades de um processo [Venkatasubramanian, Rengaswamy & Kavuri 2003]. Ao contrrio dos mtodos baseados em modelo que necessitam do conhecimento a priori sobre do modelo fsico do processo, os modelos baseados em histrico fazem uso apenas de dados histricos das variveis do processo [Venkatasubramanian, Rengaswamy, Kavuri & Yin 2003]. J para Isermann (2005), os mtodos de deteco de falhas so classicados em diversos tipos, sendo as principais abordagens: vericao de limites, equaes de paridade, deteco de falhas com mtodos de identicao de processos, atravs da anlise da assinatura de sinais. Um dos mtodos mais simples e frequentemente usados para deteco de falhas a vericao do limite de uma varivel Y (t ). No caso, as variveis de um processo so monitoras e comparadas aos valores, tambm chamados de thresholds. Geralmente, dois valores so escolhidos para serem os thresholds mximo Ymax e o mnimo Ymin , respec-

CAPTULO 2. DETECO DE FALHAS

Mtodos de Diagnstico

Quantitativos Baseados em Modelo

Qualitativos Baseados em Modelo

Baseados em Histrico

Figura 2.2: Classicao dos algoritmos de diagnstico. tivamente. Exceder um dos thresholds indica a presena de alguma falha no sistema. A Figura 2.3 ilustra a monitorao de uma varivel hipottica Y (t ) e seus respectivos limites inferior e superior. A deteco de falhas com equaes de paridade uma maneira direta de detectar falhas em processo. Nesse caso, a comparao dos sinais de sada do processo real com os sinais de sada das equaes do mesmo fornecem os chamados resduos. Os resduos so sinais gerados a partir da comparao entre valores mensurveis do processo real e valores estimados pelos modelos ou equaes quando os mesmo esto sujeitos mesma entrada. So esses resduos que sero analisados para a deciso sobre falhas ou no. Esta abordagem tem a capacidade de indicar anormalidades no processo atravs das discrepncias entre o sinal de sada do processo e das equaes. A Figura 2.4 ilustra em esquema de blocos essa abordagem, onde a varivel representa os resduos, representa a entrada do processo, y a sada real do sistema e y a sada estima. Os mtodos de deteco de falhas atravs de anlise da assinatura de sinais so atrativos quando as medies dos processos so altamente correlacionadas e apenas alguns eventos produzem dados no usuais, ou descorrelacionados. Os modelos PCA (Principal Component Analysis) so basicamente lineares e estticos e so desenvolvidos a partir do funcionamento normal do processo. Existem ainda outras tcnicas amplamente utilizadas para anlise de sinais como Transformadas Wavelets ou FFT (Fast Fourier Transform). Assim como PCA, essas no necessitam do modelo matemtico do sistema para a deteco de falhas. Essas ferramentas matemticas so utilizadas para fazer uma transformao em um sinal, tornando-o mais apropriado para a tomada de deciso sobre a existncia ou

CAPTULO 2. DETECO DE FALHAS

10

Falha
Ymax

Valor da Varivel Y

Ymin

Tempo

Figura 2.3: Thresholds do sinal Y (t ).

Processo

y + -

Equao de Paridade

Figura 2.4: Representao do mtodo de deteco de falhas por equaes de paridade. no de uma falha. Outra possvel maneira de deteco de falhas atravs da Identicao de Sistemas.

CAPTULO 2. DETECO DE FALHAS

11

No caso, um modelo matemtico de um processo descreve a relao entre as entradas u(t ) e as sadas y(t ). Tais modelos so fundamentais para essa modalidade de deteco de falhas, dado que elas serviro, neste caso, como referncia do processo industrial quando o mesmo est em situao normal de funcionamento. Em muitos casos os modelos so totalmente conhecidos, enquanto que em outros apenas alguns parmetros so desconhecidos. Vale lembrar que, na maioria das vezes, os modelos utilizados com essa abordagem so do tipo caixa preta, ou seja, seus parmetros no tm nenhum signicado fsico, isto , nenhuma relao direta com o modelo fenomenolgico do processo em questo. Observando-se a Figura 2.5, pode-se perceber que o mdulo rotulado classicador recebe resduos, representados por , que so gerados a partir das sadas do processo real e do Modelo Identicado. Estes so a base para a identicao da falha. Por m, a sada do classicador indica qual falha ocorreu. Neste caso, elas esto representadas por F1, F2 e F3. Aqui, a etapa de classicao envolve as fases de isolamento e identicao das falhas.

Controlador

Processo

Sensor

+ Modelo Identificado
F1

Classificador

F2 F3

Figura 2.5: Esquema de blocos representando o mtodo de deteco e classicao de falhas atravs de identicao de sistemas.

CAPTULO 2. DETECO DE FALHAS

12

2.4

Tipos de Falhas mais Comuns

Falha em um processo industrial pode ocorrer devido a inmeros fatores, porm podemos classicar o tipo de falha de acordo com a sua localizao. As falhas podem se encontrar no atuador, no sistema dinmico (processo) ou no sensor, como pode ser visualizado na Figura 2.6 [Venkatasubramanian, Rengaswamy, Yin & Kavuri 2003, Silva 2008]. Falhas em atuadores: podem ser vistas como qualquer mau funcionamento do equipamento que atua no sistema. Falhas no sistema dinmico: ocorrem quando alguma alterao no sistema muda de alguma forma a relao original de entrada e sada do mesmo. Como por exemplo, um vazamento em um tanque. Falhas em sensores: podem ser observadas atravs de variaes especcas nas medidas que possibilitem desconsider-las como variaes vlidas do sistema.

Referncia

Entrada Controle Atuadores

Atuao

Sistema Dinmico

Sada

Sensores

Sada Medida

Figura 2.6: Classicao de falhas quanto a localizao. Os atuadores mais encontrados nas malhas de controle dos processos industriais so as vlvulas posicionadoras, que apresentam caractersticas no lineares (histerese, banda morta, entre outras) provocadas pelo atrito entre as partes mveis da vlvula. Este atrito pode causar efeitos indesejveis como erros estacionrios e comportamento oscilatrio. Muitos pesquisadores consideram o atrito em vlvulas de controle um dos fatores mais relevantes para problemas de desempenho em malhas de controle. Em estudos realizados [Bialkowski 1992], foi mostrado que uma grande quantidade das malhas oscilavam devido a problemas relacionados s vlvulas de controle [Romano 2010] e observou-se tambm que o Agarramento era o tipo de no linearidade mais comum [Choudhury et al. 2008]. A rigor, o funcionamento de qualquer vlvula afetado pelas foras de atrito existente em suas partes mveis, por menor que seja tal inuncia. Quando o atrito muito elevado, um procedimento imediato de manuteno pode ser necessrio. Por outro lado, em situaes menos severas possvel usar compensadores especcos para diminuir a perda de desempenho da malha, at que seja programada uma parada. Portanto, algoritmos para

CAPTULO 2. DETECO DE FALHAS

13

quanticao de atrito podem gerar uma classicao de prioridade de manuteno, de acordo com a intensidade da no linearidade da vlvula. Por esse fato, segundo Desborough & Miller (2002), um mtodo no invasivo, capaz de quanticar o agarramento em vlvulas de controle operando em malha fechada altamente necessrio na indstria de processos [Romano 2010]. Antes de ser apresentado qualquer mtodo para deteco de agarramento em vlvulas, necessrio primeiro compreender melhor esse tipo de falha to comumente encontrada nos processos industriais. No captulo seguinte, ser apresentada uma denio mais formal sobre agarramento em vlvulas posicionadoras e tambm ser mostrado um modelo emprico para simular esse comportamento no linear da vlvula.

Captulo 3 Agarramento em Vlvulas Posicionadoras

H diversos tipos de no linearidades que podem ser encontradas em vlvulas posicionadoras. Dentre os tipos mais comuns podemos destacar a histerese, banda morta e o agarramento. Folga ou histerese (do ingls backlash), o movimento relativo entre as partes mecnicas nos instrumentos do processo, resultante da folga existente quando feita uma mudana na direo de movimento das peas. A histerese um fenmeno que existe em todas as vlvulas de controle. Ela se caracteriza pela ocorrncia da diferenciao do ganho da malha de controle quando a vlvula de controle submetida a perturbaes de intensidades iguais, porm em direes opostas. Quanto maior a histerese de uma vlvula de controle, pior o desempenho da mesma. Pelo fato de introduzir no linearidades ao processo, a histerese afeta a eccia da resposta da ao do controlador, dicultando o controle da malha. J a banda morta a faixa onde o sinal de entrada varia, porm nenhuma variao no sinal de sada observada. A Figura 3.1a e a Figura 3.1b mostram o diagrama de fase (Entrada x Sada) comumente encontrado em uma vlvula que apresenta histerese e banda morta, respectivamente. Oscilaes na malha de controle ocorrem, em muitos casos, devido a problemas relacionados s vlvulas de controle. Dentre os vrios tipos de no linearidade presentes em vlvulas posicionadoras, o agarramento o tipo mais comum (Choudhury et al., 2008). No existe na literatura uma denio formal do que seja agarramento em vlvulas posicionadoras [Choudhury et al. 2005]. Porm, inmeras denies propostas por diferentes autores concordam que o agarramento provocado pelo alto atrito esttico presente nas partes mecnicas da vlvula, o que as impedem de se movimentarem corretamente. Como a vlvula encontra-se emperrada, a ao integrativa do controlador aumenta o valor

CAPTULO 3. AGARRAMENTO EM VLVULAS POSICIONADORAS

15

Sada

Sada

Banda Morta

Entrada

Entrada

(a) Histerese.

(b) Banda Morta.

Figura 3.1: Falhas em vlvulas posicionadoras do sinal de controle at que o atrito seja superado. Quando isso ocorre, a vlvula volta a se mover. Podemos observar que o diagrama de fase (Sada do controlador - Posio da vlvula) de uma vlvula "sofrendo de agarramento"consiste de quatro componentes principais: banda morta, stickband, slip jump e fase de movimento. Essas quatro componentes podem ser observadas na Figura 3.2. As componentes de banda morta e stickband representam a faixa onde o sinal de controle varia sem que seja observada alguma variao na posio da vlvula, ou seja, a fora de atrito esttico no foi superada e a vlvula encontra-se parada. Imediatamente aps o atrito esttico ser superado pelo sinal de controle, ocorre um movimento abrupto da vlvula. Esse deslocamento repentino representado pelo slip jump. Aps superar a fora de atrito esttico, tem-se incio a fase de movimento da vlvula. O movimento continua at que sua velocidade chegue prximo de zero ou ela mude de direo, fazendo com que a vlvula emperre novamente.

CAPTULO 3. AGARRAMENTO EM VLVULAS POSICIONADORAS

16

Banda Morta + StickBand = S

Posio da Vlvula

Banda Morta Sada do Controlador

Stickband

Figura 3.2: Diagrama de fase de uma vlvula com agarramento.

3.1

Modelagem de agarramento em vlvulas posicionadoras

O modelo matemtico fenomenolgico que reproduz o comportamento de uma vlvula em uma planta requer o conhecimento de inmeros parmetros como, por exemplo, a massa das partes mveis do atuador, a constante elstica e todas as foras de atrito envolvidas no processo. Todas essas informaes so difceis de serem obtidas, alm de que o efeito da mudana desses parmetros no determinado de maneira direta, tornando o estudo matemtico do modelo bastante complexo [Choudhury et al. 2005]. Com isso, o modelo proposto por Choudhury et al. (2005) tem como objetivo superar todas essas limitaes do modelo fenomenolgico de uma vlvula posicionadora. Ele um modelo emprico composto apenas de dois parmetros, o parmetro S que representa o tamanho da componente de banda morta junto com a componente stickband, e o parmetro J que representa o tamanho da componente slip jump. A Figura 3.3 mostra o diagrama de blocos da arquitetura do modelo proposto, onde o modelo no linear do agarramento de vlvula est compreendido entre a sada do controlador e a entrada do processo analisado. No algoritmo proposto por Choudhury, inicialmente realizada uma saturao no sinal de controle. Se o controlador estiver enviando um sinal inferior a 0% o sinal saturado em 0% ou se o sinal for maior que 100% a saturao ocorre em 100%. Caso

F as

ed

Slipjump (J)

eM ovim ent a

CAPTULO 3. AGARRAMENTO EM VLVULAS POSICIONADORAS

17

Set Point + -

Controlador C(s)

Vlula op mv No Linearidade

Processo G(s)

pv

Figura 3.3: Modelo proposto. o sinal de controle esteja compreendido na faixa de 0-100% o algoritmo calcula a nova posio da vlvula. A vlvula considerada emperrada quando ela muda de direo ou quando sua velocidade chega a zero. O valor do sinal de controle quando a vlvula emperra mantido em memria e no se altera at que a mesma emperre novamente. Esse valor mantido em memria utilizado para calcular o acumulado do sinal de controle aps o agarramento e saber se o atrito esttico foi superado ou no. A volta do movimento da vlvula depende de como ela tenha emperrado. No caso onde a vlvula emperrou devido mudana em sua direo, se o sinal de controle acumulado for superior ao valor do parmetro S, ento a vlvula rompe o atrito esttico e inicia sua fase de movimento. Caso a vlvula tenha emperrado por estar em repouso (velocidade igual a zero) a mesma s romper o atrito esttico e comear a fase de movimento se o sinal de controle acumulado for superior ao parmetro J. Em ambos os casos onde a vlvula consegue superar o atrito esttico, sua nova posio calculada de acordo com a equao 3.1. dir (S J ) (3.1) 2 Alm dos parmetros S e J, o modelo possui trs variveis auxiliares: a varivel I que assume valores booleanos true ou f alse para indicar se a vlvula emperrou por estar em repouso; us que armazena o valor do sinal de controle no exato momento em que a vlvula emperra e dir = 1 que usado para denotar o sentido da fora de atrito. A Figura 3.4 resume o algoritmo do modelo proposto por Choudhury. Na realidade, esse modelo no baseado na dinmica da vlvula. Porm sua grande vantagem que ele muito fcil de ser usado para simular agarramento. Alm de que seus parmetros so simples de serem entendidos e relacionados ao comportamento de um agarramento real. mv(k) = op(k)

CAPTULO 3. AGARRAMENTO EM VLVULAS POSICIONADORAS

18

op(k) Converter de mA para % u(t) y(k) = 100 Sim u(k) 100 ? No y(k) = 0 Sim u(k) 0 ? No u(k) = u(k) - u(k-1) dir = sign(u(k))

u(k)u(k-1) > 0

No u(k) = 0 ? Sim I = true

Sim I= true ?

No

Sim

|u(k) us| > S Sim No

|u(k) us| > J No Sim

y(k) = u(k) dir*(S-J)/2 I = false

y(k) = y(k-1) y(k) Converter de % para mA mv(k)

us = u(k-1)

Figura 3.4: Algoritmo de modelagem de agarramento.

Captulo 4 Estado da Arte

Na literatura possvel encontrar diversos mtodos para detectar agarramento em malhas de controle utilizando apenas informaes sobre a sada do processo (pv) e a sada do controlador (op). Um dos primeiros trabalhos desenvolvidos para detectar agarramento em vlvulas posicionadoras foi o trabalho de Horch (1999). A ideia central desse trabalho realizar uma correlao entre os sinais op e pv, com essa informao possvel vericar a defasagem desses dois sinais e a partir da identicar a presena ou ausncia de agarramento na vlvula. importante destacar que essa tcnica no capaz de quanticar a quantidade de atrito na vlvula.
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 0 2 4 6 8 10 12 14

Tempo

Figura 4.1: Defasagem dos Sinais. Depois de algum tempo apareceram tcnicas capazes no s identicar mas tambm quanticar a quantidade de atrito em uma vlvula. Um dos primeiros trabalhos publicados

CAPTULO 4. ESTADO DA ARTE

20

nessa rea foi desenvolvido por Choudhury et al. (2006). Nesse trabalho feita uma anlise no comportamento elipsoidal do diagrama de fase PV x OP. O mtodo proposto quantica o grau de agarramento de acordo com o tamanho o raio da elipse encontrada, fazendo uso de tcnicas de agrupamento, como por exemplo, o algoritmo C-means.
1.5

Sada do Processo

0.5

0.5

1.5 2

1.5

0.5

0.5

1.5

Sada do Controlador

Figura 4.2: Elipse. Mais tarde, Choudhury props uma nova tcnica para quanticar o grau de agarramento em uma vlvula, estimando os parmetros S e J [Choudhury et al. 2008]. Esta abordagem baseia-se em busca em uma grade formada com os valores de S e J. Para cada ponto dessa grade a sada do modelo da vlvula computada para que seja feita uma identicao do sistema e em seguida o erro mdio quadrtico (do ingls Mean Square Erro - MSE) calculado. A congurao com o menor erro utilizada para estimar o grau de agarramento. Outros autores tambm se destacam nessa rea. Como exemplo temos o trabalho de Jelali (2008). Esse trabalho descreve uma tcnica baseada em mnimos quadrados (MSE) e em busca global. A tcnica pode ser dividida em duas etapas: primeiro o modelo no linear (agarramento) identicado e em seguida, baseado no MSE, os parmetros S e J so calculados. Devido ao grande nmero de mnimos locais na minimizao do erro, necessrio a utilizao de um algoritmo estocstico, neste caso foi utilizado algoritmo gentico para otimizar a funo objetivo. Todas essas tcnicas esto bem difundidas na literatura, porm uma das principais desvantagem nessas abordagens o tempo computacional necessrio para se obter uma estimativa do agarramento. Algumas tcnicas podem chegar a demorar at 20 minutos

CAPTULO 4. ESTADO DA ARTE

21

para obter o resultado nal [Farenzena & Trierweiler 2012]. Isso inviabiliza sua utilizao em aplicao em tempo real, onde o algoritmo deve obter respostas dentro de alguns segundos. Nos captulos seguintes ser apresentada uma abordagem baseada em Redes Neurais Articiais para quanticar agarramento em vlvula posicionadoras. Essa abordagem pode ser utilizada tanto para o diagnstico off-line quanto online.

Captulo 5 Proposta

Os atuadores mais comumente encontrados nas malhas de controles dos processos industriais so as vlvulas posicionadoras. Por serem equipamentos mecnicos, eles sofrem muita inuncia das foras de atrito presentes em suas partes mveis. Essas foras indesejadas adicionam uma componente no linear em sua resposta, podendo fazer com que a sada do processo torne-se oscilatria [Choudhury et al. 2005, Choudhury et al. 2008]. Sendo assim, desenvolver tcnicas que possam detectar e diagnosticar no linearidades, mais especicamente, agarramento nas vlvulas de controle so bastante importantes para a indstria. Caso seja possvel obter a informao da posio da vlvula (como o caso das smart valves), o diagrama de fase op-mv apresentar uma assinatura parecida com a observada na Figura 3.2, caso a vlvula esteja sofrendo agarramento. No entanto, muitas vezes no possvel obter a sada da vlvula, ou mesmo com preciso temporal adequada. Portanto, o desao conseguir detectar agarramento conhecendo apenas os sinais de sada do processo e o sinal de controle. O problema de analisar o diagrama de fase formado pelo sinal de controle e pela sada do processo (op-pv) que as componentes de banda morta, stick band e slip jump, no podem ser claramente identicadas, pois a dinmica do processo emcobre o padro da assinatura [Jelali 2008]. Tomando como exemplo um processo industrial genrico, cuja funo de transferncia seja dada pela equao 5.1 e controlado em malha fechada por um Controlador descrito pela equao 5.2. G(s) = 1 s (5.1)

C(s) =

0.4(2s + 1) 2s

(5.2)

CAPTULO 5. PROPOSTA

23

Utilizando-se o modelo de agarramento proposto por Choudhury, mostrado no Captulo 3, para simular a falha nessa malha de controle, com os parmetros S = 2 e J = 1, obtemos os diagramas de fase mostrados nas guras 5.1a e 5.1b:

(a) op-pv.

(b) op-mv.

Figura 5.1: Diagrama de fase. Comparando-se a Figura 5.1b com a Figura 3.2, percebe-se a presena tanto da componente de banda morta quanto a slip jump. Ou seja, evidente que a vlvula do processo analisado apresenta no linearidade. Porm, analisando-se o diagrama de fase formado pelo sinal do controlador e a sada do processo (pv - op), observado na Figura 5.1a, as componentes de banda morta e slip jump deixam de ser evidentes. Mesmo assim, a gura formada pelo diagrama possui um padro de assinatura que pode ser utilizado para detectar a falha. Como mostrado no captulo anterior (4), existem diversas tcnicas na literatura que permite diagnosticar agarramento. O objetivo do trabalho em questo propor uma tcnica online para quanticar o grau de agarramento em vlvulas posicionadoras, desconhecendo a posio das mesmas. O modelo proposto se baseia na estimao dos parmetros S e J do modelo de agarramento mostrado no Captulo 3, utilizando-se uma Rede Neural Articial. A RNA utilizada foi uma rede Perceptron de Mltiplas Camadas, treinada com o algoritmo LevenbergMarquardt [Haykin & Engel 2001]. Foram desenvolvidas trs abordagens diferentes para o treinamento da rede neural. A seguir sero descritas cada uma dessas abordagens e no captulo seguinte ser feita uma comparao dos resultados obtidos.

CAPTULO 5. PROPOSTA

24

5.1

Abordagem 01 - Centroide

Uma possvel abordagem para a gerao do conjunto de entrada da RNA seria obter N pontos do sinal de controle e N pontos da sada do processo e utilizar todos esses valores para treinar a rede. Uma desvantagem de se utilizar esse mtodo que seria necessrio 2N pontos na camada e entrada da rede. Isso pode tornar o processo de treinamento demorado, alm de consumir bastante memria. Visando diminuir o tamanho do conjunto de entradas, foi utilizado o conceito de centroide. Como aps a obteno dos N pontos do sinal de controle e N pontos da sada do processo, possvel traar o diagrama de fase. Assim, o centroide nada mais do que o ponto mdio da gura gerada com o diagrama. O centroide representado por um par ordenado, e , cuja suas coordenadas so obtidas atravs da mdia das coordenadas de todos os pontos [Lima et al. 2011], onde o eixo x representado pelos valores de op e o eixo y so os valores de pv. As equaes 5.3 e 5.4 mostram o seu clculo, onde N a quantidade de pontos analisados. A Figura 5.2 mostra o centroide do diagrama apresentado na Figura 5.1a. xc = 1 N xi N i =1 1 N yi N i =1 (5.3)

yc =

(5.4)

Conhecendo o centroide da gura gerada pelo diagrama de fase, possvel calcular a distncia de cada ponto ao centroide utilizando a equao 5.5. Di = (xi xc )2 + (yi yc )2 (5.5)

A distncia de cada ponto ao centroide ento utilizada como conjunto de entrada da rede neural. Com a utilizao desse conjunto de treinamento so necessrios N pontos na camada de entrada, ao invs de 2N como acontecia na abordagem inicial. Uma representao em diagrama de blocos da proposta pode ser visualizada na Figura 5.3. Nesse diagrama, o bloco de pr-processamento recebe como entrada os valores de op e pv e calcula a distncia (D) dos pontos ao centroide dos dados. O vetor D ento fornecido para a rede neural, que por sua vez estima os parmetros S e J do modelo no linear de agarramento em vlvulas. Como a rede neural estima os parmetros S e J, possvel a partir desses valores estimados diagnosticar agarramento em uma vlvula posicionadora. Caso os valores es-

CAPTULO 5. PROPOSTA

25

Figura 5.2: centroide.

S Set Point + Controlador C(s) op

J Processo G(s) pv

mv No Linearidade

Prprocessamento

Rede Neural

S J

Figura 5.3: Diagrama de blocos da proposta. timados sejam todos nulos, quer dizer que a vlvula est funcionando de maneira ideal, porm se algum valor diferente de zero for encontrado para S ou J indica que foi identicado agarramento na vlvula.

5.2

Abordagem 02 - Anlise Espectral

Diferente da primeira abordagem que utiliza tanto a sada do controlador quanto a sada do processo, a abordagem em questo necessita apenas das informaes da pv. Como exposto no comeo desse captulo, apenas a informao da sada do processo no suciente para quanticar o grau de agarramento de uma vlvula em uma malha de controle. No entanto, ao analisar esse sinal percebe-se que diferentes nveis de agarramento

CAPTULO 5. PROPOSTA

26

causam diferentes oscilaes na sada malha de controle. Tomando como exemplo a situao mostrada na Figura 5.4a, onde o processo descrito pela equao 5.1 foi submetido a duas conguraes de agarramento diferentes, observa-se que a frequncia de oscilao na sada do processo variou em cada situao. No apenas a frequncia foi diferente, a amplitude do sinal tambm variou. Sendo assim, realizar uma anlise espectral da sada do processo pode ser utilizada para a deteco e diagnstico de agarramento em vlvulas. A Figura 5.4b mostra a Transformada de Fourier dos sinais da Figura 5.4a. Isso deixa ainda mais evidente que as duas situaes oscilaram com frequncias e amplitudes diferentes e essas informaes poderiam ser utilizadas para quanticar o grau de agarramento.
1 S=0.5 / J=0 S=1.0 / J=4.0 0.8

0.8 S=0.5 / J=0 S=1.0 / J=4.0 0.7

0.6

0.6
0.4

Sada do Processo

0.2

0.5

0.4

0.2

0.3

0.4

0.2
0.6

0.8

0.1

100

200

300

400

500

600

0.05

0.1

0.15

0.2

0.25

0.3

0.35

Tempo

(a) Diferentes Nveis de Oscilao.

(b) Anlise Espectral da Sada do Processo.

Figura 5.4: Sada do Processo Para Diferentes Nveis Agarramento. Para formao do conjunto de treinamento da Rede Neural utilizada apenas a sada do processo (pv). O sinal pv foi amostrados com uma taxa de 2 amostra/segundo durante 512 segundos. Aps a aquisio dos dados foi realizada uma anlise espectral do sinal resultante. Para isso, foi necessrio calcular a Transformada de Fourier do sinal de pv obtido, fazendo uso do algoritmo FFT (Fast Fourier Transform). A Transformada de Fourier pode ser denida como um mapeamento que leva um sinal representado no domnio do tempo em uma representao no domnio da frequncia. Seja x[k] uma sequncia discreta peridica com perodo N . A Transformada Discreta de Fourier de um sinal x[k] dada pela Equao 5.6 [Oppenheim et al. 1999]. X [k] =
2 n 1 N 1 x[n]eik N N n=0

(5.6)

A realizao desse procedimento nos 1024 pontos amostrados, resulta em novos 1024

CAPTULO 5. PROPOSTA

27

pontos referente ao espectro do sinal. Apresentar essa enorme quantidade de pontos para uma Rede Neural a tornaria muito complexa, fazendo com que fosse muito custoso o seu processo de treinamento e ainda inviabilizando a sua utilizao em situaes onde a quantidade de memria escassa. Para contornar esse problema, foi realizada uma ltragem nos dados, removendo assim informaes pouco relevantes para o processo. Aps uma srie de anlises empricas, vericou-se que, na grande maioria dos casos, as 3 frequncias de maior energia representavam cerca de 90% de toda a energia do espectro. Sendo assim, o restante das frequncias agrega pouca informao para a soluo do problema. Com isso, as frequncias mais relevantes e suas respectivas amplitudes so ento apresentadas Rede Neural. Uma representao em diagrama de blocos dessa nova proposta pode ser visualizada na Figura 5.5. Nesse diagrama, o bloco de pr-processamento recebe como entrada os valores da pv, calcula a Transforma de Fourier e ento verica quais so as 3 frequncias mais relevantes bem como as suas respectivas energias. Esses valores, representados pelo vetor H , so ento fornecido para a Rede Neural, que por sua vez estima os parmetros S e J.

S Set Point + Controlador C(s) op

J Processo G(s) pv

mv No Linearidade

Prprocessamento

Rede Neural

S J

Figura 5.5: Diagrama de Blocos da Proposta Baseada em Anlise Espectral. Da mesma forma como foi feito na primeira abordagem, possvel diagnosticar agarramento em uma vlvula posicionadora como os valores S e J estimados pela rede. Dependendo dos valores encontrados pode-se vericar o grau de agarramento presente na vlvula.

CAPTULO 5. PROPOSTA

28

5.3

Abordagem 03 - Anlise Espectral + Centroide

A terceira abordagem proposta neste trabalho visa unir as principais caractersticas das duas abordagens anteriores, para construir uma tcnica mais robusta e eciente para o diagnstico de agarramento em vlvulas posicionadoras. Inicialmente, da mesma forma como descrito na primeira abordagem, os sinais da sada do controlador (pv) e da sada do processo (op) so amostrados. Em seguida calculada a distncia de cada ponto ao centroide dos dados, utilizando as equaes 5.3, 5.4 e 5.5. Esse procedimento gera uma quantidade bastante elevada de pontos. Com o objetivo de reduzir essa massa de dados, calculada a Transformada de Fourier do sinal (equao 5.6) e em seguida apenas as frequncias mais relevantes so levadas em considerao. Novamente, aps uma srie de anlises empricas, vericou-se que cerca de 90% de toda a energia do sinal est concentrada em apenas 3 frequncias. As 3 frequncias de maior energia e suas respectivas amplitudes so ento apresentadas rede neural para que a mesma possa quanticar o grau de agarramento estimando os valores de S e J. Todo esse procedimento pode ser visualizado na representao em diagrama de blocos, presente na Figura 5.6. Nesse diagrama, o bloco Centroide recebe como entrada os valores de pv e op e calcula da distncia de cada ponto ao centroide dos dados, representado pelo vetor D. Esse vetor (D) processado pelo bloco FFT, onde so extradas as frequncias de maior energia (F ). Essas frequncias so ento fornecidas Rede Neural para que os parmetros S e J sejam estimados.

S Set Point + Controlador C(s) op

J Processo G(s) pv

mv No Linearidade

Centroide

FFT

Rede Neural

S J

Figura 5.6: Diagrama de Blocos da Proposta Baseada em Anlise Espectral.

CAPTULO 5. PROPOSTA

29

A seguir, sero mostrados os resultados obtidos com a utilizao de cada uma das abordagens propostas.

Captulo 6 Resultados

O objetivo deste captulo avaliar o mtodo proposto em um processo simulado. Todas as simulaes foram realizadas usando o modelo de agarramento mostrado no Captulo 3, para simular a presena de no linearidade na vlvula do processo descrito pela equao 6.1. Esse processo controlado em malha fechada por um controlador PI cuja Funo de Transferncia mostrada na equao 6.2. es G(s) = (1 + 0.5s)s C(s) = 0.4 1 + 1 0.2s (6.1)

(6.2)

O conjunto de treinamento em todas as situaes foi gerado variando os valores de S e J em um intervalo de 0 at 10.

6.1

Abordagem 01 - Centroide

Para formao do conjunto de treinamento da rede neural, os sinais pv e op foram amostrados com uma taxa de 1 amostras/segundo durante 40 segundos. Isso resultou em um total de 80 pontos, sendo 40 de pv e 40 de op. Aps a aquisio, foi calculada a distncia de cada ponto ao centroide dos dados. Ao nal desse processo, foram gerados 40 pontos para serem apresentados RNA. A RNA utilizada possui em sua camada de entrada 40 pontos, referente aos 40 pontos de entradas; 15 neurnios na cada oculta e mais 2 neurnios na cada de sada, referentes aos parmetros S e J estimados. Vrias conguraes de agarramento foram testadas a m de validar a Rede Neural treinada. Ao nal desse processo, foi obtido um erro mdio quadrtico de 101 . A seguir sero apresentadas algumas dessas situaes.

CAPTULO 6. RESULTADOS

31

6.1.1

Caso 1: Sem agarramento

O primeiro caso analisado quando o sistema funciona de maneira ideal, ou seja, sem a presena de no linearidades na vlvula. Essa situao pode ser modelada escolhendo os parmetros J = 0 e S = 0. Os resultados obtidos na estimao dos parmetros S e J com o mtodo proposto so mostrados na Tabela 6.1. Ambos os valores estimados de S e J so uma boa aproximao dos valores reais utilizados na simulao, sendo assim, a partir dos valores estimados pode-se inferir que a vlvula do sistema est funcionando de maneira correta.

6.1.2

Caso 2: Agarramento com apenas banda morta

O prximo caso analisado a situao de agarramento com a presena apenas da componente de banda morta. Isso pode ser simulado escolhendo o valor J = 0 e S = 0. Sendo assim, para a simulao do processo em questo foram escolhidos os valores J = 0 e S = 4. Comparando a Figura 6.1a com a Figura 3.2, percebe-se a presena apenas da componente banda morta e a ausncia do slip jump.

(a) OP x MV. J = 0 e S = 4.

(b) OP x PV. J = 0 e S = 4.

Figura 6.1: Agarramento com apenas Banda Morta para a abordagem 01. Os valores de S e J estimados esto presentes no Caso 02 da Tabela 6.1. Novamente o mtodo foi capaz de estimar os parmetros com um erro bastante pequeno. A boa estimao pode ser observada tambm analisando a Figura 6.1a e a Figura 6.1b que mostram os diagramas de fase do sistema com os valores de S e J reais e estimados. Tanto o diagrama estimado de PV-OP quanto o de MV-OP se aproxima bastante do real.

CAPTULO 6. RESULTADOS

32

6.1.3

Caso 3: Undershoot

O terceiro caso a ser analisada quando J < S. Quando isso ocorre, temos a situao onde a sada da vlvula nunca alcanar seu sinal de entrada. A essa situao d-se o nome de agarramento do tipo undershoot. Os parmetros escolhidos para essa simulao foram J = 2 e S = 4. Analisando o diagrama de fase presente na Figura 6.2a, percebe-se a presena tanto da componente de banda morta quanto a slip jump.

(a) OP x MV. J = 2 e S = 4.

(b) OP x PV. J = 2 e S = 4.

Figura 6.2: Agarramento do tipo Undershoot para a abordagem 01. Novamente, a partir da Figura 6.2a e da Figura 6.2b percebe-se que os diagramas de fase estimados se assemelham bastante do real. Fato que pode ser conrmado no Caso 03 da Tabela 6.1, onde os valores estimados de S e J so mostrados.

6.1.4

Caso 4: Overshoot

Diferente do que acontece no caso de undershoot, no overshoot a sada do processo ultrapassa o sinal de controle. Isso ocorre devido presena de um elevado atrito esttico e pode ser modelado fazendo J > S. Sendo assim, foram utilizados os valores J = 6 e S = 2 para simular essa falha. Tanto no diagrama OP-MV (Figura 6.3a) quanto no OP-PV (Figura 6.3b), o mtodo conseguiu estimar o agarramento de maneira satisfatria. Os valores estimados esto presentes no Caso 04 da Tabela 6.1.

CAPTULO 6. RESULTADOS

33

(a) OP x MV. J = 6 e S = 3.

(b) OP x PV. J = 6 e S = 3.

Figura 6.3: Agarramento do tipo Overshoot para a abordagem 01.

6.1.5

Caso 5: Sem offset

A ltima situao de agarramento o caso onde J = S, ou seja, o caso onde no h offset entre o sinal de controle e a sada do processo. Uma vez que a vlvula supera a fora de atrito, ela acompanha exatamente o sinal de controle. Para esse caso foram usados os parmetros J = 6 e S = 6. Os resultados da simulao esto presentes nas guras 6.4a e 6.4b.

(a) OP x MV. J = 4 e S = 4.

(b) OP x PV. J = 4 e S = 4.

Figura 6.4: Agarramento sem offset para a abordagem 01. Mais uma vez o mtodo proposto se mostrou eciente e conseguiu estimar os valores de S e J com uma boa preciso, como pode ser visualizado no Caso 05 da Tabela 6.1.

CAPTULO 6. RESULTADOS

34

6.1.6

Caso 06: Outras Situaes

A tcnica de Centroide obteve resultados bem expressivos na maioria das situaes, porm em alguns casos o resultado j no foi to satisfatrio. Analisando a congurao J = 2 e S = 4 , mostrada na Figura 6.5, percebe-se que a rede neural no foi capaz de aproximar os valores reais to bem quanto nas outras situaes. Neste caso, o erro foi superior a 10%, como pode ser observado no Caso 06 da Tabela 6.1.
0.8 0.6 0.4 0.5 0.2 0 0.2 0.5 0.4 1 0.6 0.8 0.8 1.5 0.8 0 OP x MV Real OP x MV Estimado 1 1.5 OP x PV Real OP x PV Estimado

0.6

0.4

0.2

0.2

0.4

0.6

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

(a) OP x MV.

(b) OP x PV.

Figura 6.5: Conguao de Agarramento para a abordagem 01: J = 2 e S = 4.

Tabela 6.1: Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 01. S J S J S J S J S J S J Real 0 0 4 0 4 2 3 6 4 4 2 4 Estimado 0.0344 0.0143 4.1566 0.2157 3.7872 2.1214 2.9879 6.1222 3.9826 3.9052 1.5440 4.4051 Erro 0.0344 0.0143 0.1566 0.2157 0.2128 0.1214 0.0121 0.1222 0.0174 0.0948 0.4560 0.4051

Caso 01 Caso 02 Caso 03 Caso 04 Caso 05 Caso 06

CAPTULO 6. RESULTADOS

35

6.2

Abordagem 02 - Anlise Espectral

Para formao do conjunto de treinamento da Rede Neural utilizada apenas a sada do processo (pv). O sinal pv foi amostrados com uma taxa de 2 amostra/segundo durante 512 segundos, resultando em um total de 1024 pontos. Aps a aquisio desses valores, foi calculada a Transformada de Fourier do sinal obtido e em seguida foram extradas apenas as 3 frequncias mais relevantes, com suas respectivas amplitudes. Ao nal desse processo, a RNA resultante possui 6 pontos em sua camanda entrada, referente s 3 frequncias de maior energia e suas respectivas amplitudes; 10 neurnios na cada oculta e mais 2 neurnios na camada de sada, referentes aos parmetros S e J estimados. Para formar o conjunto de treinamento da rede, foram geradas vrias conguraes de agarramento variando os valores de S e J em um intervalo entre 0 e 10. A rede treinada foi validada utilizando novos valores que no haviam sido mostrados durante o processo de treinamento. Ao nal da validao, foi obtido um erro mdio quadrtico de 102 . A seguir ser apresentado como a Rede Neural treinada comportouse em algumas simulaes de agarramento. O primeiro caso analisado quando o sistema funciona de maneira ideal, ou seja, sem a presena de no linearidades na vlvula. Essa situao foi modelada escolhendo os parmetros J = 0 e S = 0. Os resultados obtidos so mostrados na Tabela 6.2. Ambos os valores estimados de S e J so uma boa aproximao dos valores reais utilizados na simulao, sendo assim, a partir dos valores estimados pode-se inferir que a vlvula do sistema est funcionando de maneira correta. O segundo caso a ser analisada o agarramento do tipo undershoot, ou seja, a situao quando J < S. Os parmetros escolhidos para essa simulao foram J = 2 e S = 3. Novamente, analisando a Tabela 6.2 percebe-se que os valores estimados de S e J assemelham-se bastante do real. Para facilitar a visualizao dos resultados obtidos, as Figuras 6.6a e 6.6b mostram o diagrama de fase op-mv e op-pv, respectivamente. Esses diagramas mostram como o sistema comportou-se com os valores reais de S e J e com os valores estimados pela Rede Neural. Em ambos os grcos, as curvas praticamente se sobrepe comprovando novamente que os resultados obtidos se aproximam bastante dos valores reais. A prxima situao de agarramento o caso onde J = S, ou seja, o caso onde no h offset entre o sinal de controle e a sada do processo. Uma vez que a vlvula supera a fora de atrito, ela acompanha exatamente o sinal de controle. Para esse caso foram usados os parmetros J = 3 e S = 3. Novamente o mtodo mostrou-se eciente e conseguiu estimar os valores de S e J com

CAPTULO 6. RESULTADOS

36

0.6 OP x MV Real OP x MV Estimado 0.4

1.5 OP x PV Real OP x PV Estimado 1

0.2

0.5
0

0.2

0.4

0.5

0.6

0.8 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1.5 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

(a) OP x MV.

(b) OP x PV.

Figura 6.6: Congurao de agarramento para a abordagem 02: J = 2 e S = 3. uma boa preciso, como pode ser visualizado na Tabela 6.2 e nas Figuras 6.7a e 6.7b.
0.8 OP x MV Real OP x MV Estimado 0.6

1.5 OP x PV Real OP x PV Estimado 1

0.4

0.2

0.5

0
0.2

0.5
0.4

0.6

0.8 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1.5 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

(a) OP x MV.

(b) OP x PV.

Figura 6.7: Congurao de agarramento para a abordagem 02: J = 3 e S = 3. A ltima situao de agarramento analisada foi o agarramento do tipo overshoot. Essa situao pode ser modelada fazendo J > S, sendo assim, foram utilizados os valores J = 5 e S = 2 para simular essa falha. Tanto no diagrama op-mv (Figura 6.8a) quanto no op-pv (Figura 6.8b), o mtodo conseguiu estimar o agarramento de maneira satisfatria. Os valores estimados esto presentes na Tabela 6.2.

CAPTULO 6. RESULTADOS

37

1 0.8 0.6 OP x MV Real OP x MV Estimado

1.5 OP x PV Real OP x PV Estimado 1

0.4 0.2 0

0.5

0
0.2 0.4 0.6

0.5

1
0.8 1 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1.5 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

(a) OP x MV.

(b) OP x PV.

Figura 6.8: Congurao de agarramento para a abordagem 02: J = 5 e S = 2. Tabela 6.2: Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 02. S J S J S J S J Real 0 0 3 2 3 3 2 5 Estimado 0.0247 0.0114 3.0044 2.0216 2.9042 3.0799 2.0568 5.1370 Erro 0.0247 0.0114 0.0044 0.0216 0.0958 0.0799 0.0568 0.1370

Caso 01 Caso 02 Caso 03 Caso 04

6.3

Abordagem 03 - Centroide + Anlise Espectral

Inicialmente os sinais de pv e op foram amostrados a uma taxa de 2 amostras/segundo durante 512 segundo. Aps a aquisio desses 1024 pontos, foi calculada a distncia de cada ponto ao centroide dos dados. Em seguida a Transformada de Fourier do sinal resultante foi obtida e as 3 frequncias de maior energia foram utilizada para formar o conjunto de treinamento da RNA. Sendo assim, a rede neural possui em sua camada de entrada 6 pontos referente s 3 frequncias mais relevantes e suas respectivas amplitudes; 10 neurnios na camada oculta e mais 2 neurnios na camada de sada, referentes aos parmetros S e J. Aps o processo de treinamento, novos valores foram utilizados para a validao da rede. Esse procedimento resultou em um erro mdio quadrtico de 103 , valor menor do que o obtido nas outras duas abordagens.

CAPTULO 6. RESULTADOS

38

Ser mostrada a seguir a reposta da rede treinada para algumas conguraes de agarramento. Seguindo o mesmo raciocneo das outras abordagens, a primeira situao analisada caso onde desconsiderada a no linearidades na vlvula de controle. Os valores estimados podem ser observados no Caso 01 da Tabela 6.3. Outras trs conguraes de agarramento so mostradas nas guras 6.9, 6.10 e 6.11 e os valores estimados podem ser visualizados na Tabela 6.3. Assim como as outras duas tcnicas, a abordagem em questo foi capaz de quanticar, de maneira satisfatria, o grau de agarramento de uma vlvula.
0.6 OP x MV Real OP x MV Estimado 0.4 2 1.5 1 0.5 0 0 0.2 0.5 0.4 1 1.5 2 1 OP x PV Real OP x PV Estimado

0.2

0.6

0.8 1

0.5

0.5

0.5

0.5

(a) OP x MV.

(b) OP x PV.

Figura 6.9: Congurao de agarramento para a abordagem 03: J = 2 e S = 4.

0.8 0.6 0.4 OP x MV Real OP x MV Estimado

1.5 OP x PV Real OP x PV Estimado 1

0.5
0.2 0 0.2

0.5
0.4

1
0.6 0.8 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1.5 0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

(a) OP x MV.

(b) OP x PV.

Figura 6.10: Congurao de agarramento para a abordagem 03: J = 3 e S = 3. Com a utilizao da abordagem em questo, foi possvel obter uma arquitetura mais reduzida, alm de alcanar resultados mais precisos, quando comparados com as outras

CAPTULO 6. RESULTADOS

39

1.5 OP x MV Real OP x MV Estimado 1

2 1.5 1 OP x PV Real OP x PV Estimado

0.5 0.5 0 0 0.5 0.5 1 1 1.5 1.5 1 2 1

0.5

0.5

0.5

0.5

(a) OP x MV.

(b) OP x PV.

Figura 6.11: Congurao de agarramento para a abordagem 03: J = 3 e S = 6. Tabela 6.3: Comparao dos Valores Reais e Estimados de S e J para Vrias Congurao de Agarramento para a Abordagem 03. S J S J S J S J Real 0 0 4 2 3 3 3 6 Estimado 0.0015 0.0013 3.9883 2.1151 2.9055 3.0623 2.9913 5.9888 Erro 0.0015 0.0013 0.0117 0.1151 0.0945 0.0623 0.0087 0.0112

Caso 01 Caso 02 Caso 03 Caso 04

duas abordagens apresentadas nesse captulo. Resultando assim em uma tcnica bem mais robusta e eciente para a quanticao de agarramento em vlvulas posicionadoras.

Captulo 7 Concluses

O Gerenciamento de Eventos Anormais (AEM) um tema que vem tendo cada vez mais relevncia no cenrio da automao industrial. Isso tem ocorrido devido enorme quantidade de informao disponibilizada para o operador, que se v impossibilitado de diagnosticar um eventual problema no processo e realizar alguma ao preventiva/corretiva em tempo hbil. Esse trabalho apresentou um mtodo online baseado em Redes Neurais Articiais para detectar e quanticar o grau de agarramento em vlvulas posicionadoras, que pode ser enquadrado como uma funcionalidade do AEM. As principais vantagens desse mtodo no necessitar do conhecimento da dinmica do processo analisado, assim como no preciso medir a posio da vlvula. Foram propostas trs abordagem para o treinamento da rede neural. Na primeira abordagem uma tcnica baseada no clculo do centroide foi desenvolvida, sendo necessrio as informaes da sada do controlador (op) e da sada do processo (pv). Na segunda se abordagem desenvolveu uma tcnica baseada na anlise espectral apenas do sinal pv do processo. E por m, na ltima abordagem uniu-se o clculo do centroide dos dados analise espectral para desenvolver uma tcnica mais eciente capaz de quanticar o grau de agarramento em vlvulas posicionadoras. O mtodo foi testado em diversas conguraes de agarramento em um modelo simulado e se mostrou eciente em detectar e quanticar a falha em processos industriais. Essa abordagem de deteco de falhas pode ser aplicada a vrios processos industriais modernos, uma vez que ela reete a realidade industrial onde a posio da vlvula muitas vezes desconhecida. Porm, espera-se que no futuro a posio da vlvula seja uma informao de fcil acesso, o que possibilitaria o desenvolvimento de algoritmos bem mais precisos e conveis.

CAPTULO 7. CONCLUSES

41

7.1

Trabalhos Futuros

Apesar de trazer diversas contribuies, a proposta ainda pode receber melhorias e adaptaes para serem desenvolvidas. A seguir, alguns pontos que sero desenvolvidos at a verso nal dessa dissertao: Analisar a arquitetura da Rede Neural utilizada a m de encontrar a menor congurao possvel. Uma tcnica que poderia ser utilizada seria o algoritmo do "Cirurgio Neural timo"[Haykin & Engel 2001]. Isso viabilizaria embarcar a rede treinada em dispositivos com pouca capacidade de memria. Avaliar a utilizao de Redes Neurais Recorrentes. Validar o mtodo proposto fazendo uso de dados reais de processos industriais.

7.2

Publicaes Associadas

At o presente momento, foram obtidas as seguintes publicaes relacionadas a esta dissertao: "Deteco e Diagnstico de Agarramento em Vlvulas Posicionadoras- Congresso Brasileiro de Automtica 2012 (CBA). "Articial Neural Network Approach for Detection and Diagnosis of Valve StictionEmerging Technologies & Factory Automation 2012 (ETFA), na seo de Work in Progress.

Referncias Bibliogrcas

Bailey, S. J. (1984), From desktop to plant oor, a crt is the control operators window on the process., Control Engineering pp. 8690. Bialkowski, W. L. (1992), Dreams vs. reality: A view from both sides of the gap, Control systems pp. 283294. Choudhury, M.A.A. Shoukat, Mridul Jain & Sirish L. Shah (2008), Stiction: denition, modelling, detection and quantication, Journal of Process Control 18, 232 243. Choudhury, M.A.A. Shoukat, N.F. Thornhill & S.L. Shah (2005), Modelling valve stiction, Control Engineering Practice 13(5), 641 658. Choudhury, M.A.A. Shoukat, S.L. Shah, N.F. Thornhill & David S. Shook (2006), Automatic detection and quantication of stiction in control valves, Control Engineering Practice 14(12), 1395 1412. de Holanda Ferreira, Aurlio Buarque (1993), Dicionrio Aurlio da Lngua Portuguesa, 3a edio, Editora Positivo, Rio de Janeiro, Brasil. Desborough, L. & R. Miller (2002), Increasing customer value of industrial control performance monitoring - Honeywells experience, em Preprint of Chemical Process Control, CPC-6, Tucson, Arizona, pp. 153186. Farenzena, M. & J.O. Trierweiler (2012), Valve stiction estimation using global optimisation, Control Engineering Practice 20(4), 379 385. Special Section: IFAC Symposium on Advanced Control of Chemical Processes - ADCHEM 2009. Garcia, Claudio (2008), Comparison of friction models applied to a control valve, Control Engineering Practice 16(10), 1231 1243. Haykin, Simon & Paulo M. Engel (2001), Redes neurais : princpios e prtica, Bookman. Horch, Alexander (1999), A simple method for detection of stiction in control valves, Control Engineering Practice 7(10), 1221 1231. 42

REFERNCIAS BIBLIOGRFICAS

43

Isermann, R. (2005), Fault-Diagnosis Systems: An Introduction from Fault Detection to Fault Tolerance, Springer. Jelali, Mohieddine (2006), An overview of control performance assessment technology and industrial applications, Control Engineering Practice 14(5), 441 466. Jelali, Mohieddine (2008), Estimation of valve stiction in control loops using separable least-squares and global search algorithms, Journal of Process Control 18, 632 642. Leito, Gustavo Bezerra Paz (2008), Algoritmos para anlise de alarmes em processos petroqumicos, Dissertao de mestrado, Universidade Federal do Rio Grande do Norte, UFRN, Natal, RN. Lima, Fbio Soares de, Luiz Affonso Guedes & Diego R. Silva (2011), Digital Image Processing, His Publisher, Erewhon, NC. Oppenheim, Alan V., Ronald W. Schafer & John R. Buck (1999), Discrete-Time Signal Processing (2nd Edition) (Prentice-Hall Signal Processing Series), 2a edio, Prentice Hall. Romano, Rodrigo Alvite (2010), Identicao de processos no lineares e quanticao de atrito em vlvulas de controle, Dissertao de mestrado, Escola Politcnica da Universidade de So Paulo, EPUSP, So Paulo, SP. Silva, Diego Rodrigo Cabral (2008), Sistema de Deteco e Isolamento de Falhas em Sistemas Dinmicos Baseados em Identicao Paramtrica, Tese de doutorado, Universidade Federal do Rio Grande do Norte, UFRN, Natal, RN. Venkatasubramanian, Venkat, Raghunathan Rengaswamy, Kewen Yin & Surya N. Kavuri (2003), A review of process fault detection and diagnosis: Part I: Quantitative model-based methods, Computers and Chemical Engineering 27(3), 293 311. Venkatasubramanian, Venkat, Raghunathan Rengaswamy & Surya N Kavuri (2003), A review of process fault detection and diagnosis: Part II: Qualitative models and search strategies, Computers and Chemical Engineering 27(3), 313 326. Venkatasubramanian, Venkat, Raghunathan Rengaswamy, Surya N. Kavuri & Kewen Yin (2003), A review of process fault detection and diagnosis: Part III: Process history based methods, Computers and Chemical Engineering 27(3), 327 346.