Resumo: Os processos industriais estão se tornando cada vez mais automatizados e dependentes dos componentes de controle. O caminho para melhorar a confiabilidade destes processos é garantir a confiabilidade e a robustez dos seus componentes de controle, porém um processo livre de defeitos não pode ser garantido. Os defeitos nos sistemas de controle podem se apresentar de modo abrupto ou de modo incipiente. Este último é extremamente difícil para a detecção, pois os seus efeitos são encobertos pelas variáveis manipuladas dos laços de controle. Neste trabalho, duas redes neurais artificiais são utilizadas para detecção de defeitos incipientes em uma caldeira de recuperação química, no processo de produção de celulose "kraft". Uma rede neural perceptron multicamadas é utilizada para reproduzir o comportamento do processo. As saídas da rede são comparadas com as variáveis medidas gerando resíduos. Em seguida, outra rede neural perceptron multicamadas é utilizada para classificar os resíduos. A rede de classificação foi treinada com dados defeituosos gerados através de inclusão de erros nos sinais das variáveis de processo. Após os treinamentos, as duas redes neurais foram utilizadas para o monitoramento do processo. O método foi aplicado nas malhas de controle de vazão de ar primário, secundário e terciário, controle da temperatura da água de resfriamento das bicas de fundidos e no controle da pressão da fornalha da caldeira de recuperação química. O método apresentou taxas de alarmes falsos entre 0,2 a 5%, para as malhas analisadas. A taxa de detecção de defeitos foi de 89 a 97%, para erros simulados de 9 a 16% nas variáveis de processo das malhas analisadas. Pelos resultados apresentados, conclui-se que o método conseguiu detectar os defeitos de um conjunto de padrões não treinados e constitui-se uma boa ferramenta para suporte operacional.
Abstract: The industrial processes are becoming even more unmanned and dependent on the control components. The way to improve the processes reliability is to guarantee the reliability and robustness of these control components, however a defect-free process can not be guaranteed. Defects in control systems can show up in an abrupt or incipient way. The last one is extremely difficult to detect as its effects are covered up by the handled variables of the control loops. In this thesis two artificial neural networks are used to detect incipient defects in a chemical recovery boiler in the kraft pulp and paper manufacturing. A multilayer perceptron neural network is used to model the process behavior. The neural networks outputs are compared to the measurements in the process generating residues. Other multilayer perceptron neural network is used to classify the residues. The training of this classifying neural network was carried out with faulty data generated by inserting errors in the data of process variables. The method was applied in the control loops: primary, secondary and tertiary air flow, water temperature of smelt spout cooling and the furnace pressure. After the training stage, the two neural networks were used for the continuous process monitoring. The method presented false alarms rate of 0.2 to 5.0%, to the control loops analyzed. The rate of defects detection was of 89 to 97% to errors of 9 to 16% inserted at the process variables. The results presented demonstrated the method can detect correctly defects in non-trained pattern sets and constitute an alternative and reliable tool to operational support. |
