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 ÓS -G RADUAÇÃO EM E NGENHARIA E LÉTRICA E DE C OMPUTAÇÃO

Detecção e Diagnóstico de Agarramento em Válvulas Posicionadoras

Allan Robson Silva Venceslau

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

Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Engenharia Elétrica e de Computação da UFRN (área de concentração: Engenharia de Computação) como parte dos requisitos para obtenção do título de Mestre em Ciências.

Natal, RN, Dezembro de 2012

Resumo

Agarramento, ou atrito estático, em válvulas posicionadoras é um problema muito comum nos processos industriais modernos. Recentemente, muitos estudos são desenvolvidos para tentar entender, modelar e detectar esse tipo de problema. Porém quantificar o agarramento ainda é um desafio. Uma vez que a posição da válvula (mv) é normalmente desconhecida em um processo industrial, o principal desafio é diagnosticar agarramento tendo conhecimento apenas dos sinais de saída do processo (pv) e o sinal de controle (op). Neste trabalho é apresentada uma proposta baseada em Redes Neurais Artificiais para detectar e quantificar o grau de agarramento em válvulas utilizando apenas as informações de pv e op. Diferente métodos para o pré-processamento do conjunto de treinamento da Rede Neural são apresentados. Esses métodos são baseados no cálculo de Centroide e de Transformada de Fourier. A proposta é validada através de um processo simulado e os resultados obtidos foram satisfatórios. Palavras-chave: Agarramento, Válvulas Posicionadoras, Detectar, Quantificar, 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 quantification 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 Artificial 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, Quantification, Neural Network, Centroid, Fourier Transform.

Sumário

Sumário Lista de Figuras Lista de Tabelas Lista de Símbolos e Abreviaturas 1 Introdução 1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Divisão do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Detecção de Falhas 2.1 Características de um Sitema de Detecção de Falhas 2.2 Etapas do Processo de Detecção de Falhas . . . . . 2.3 Classificação dos Métodos de Detecção 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

2

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

3

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

4 5

6

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 Situações . . . . . . . . . . . Abordagem 02 - Análise Espectral . . . . . . . . . . . Abordagem 03 - Centroide + Análise Espectral . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

31 32 32 33 34 35 37 40 41 41 42

Conclusões 7.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Publicações Associadas . . . . . . . . . . . . . . . . . . . . . . . . . . .

Referências bibliográficas

. . . . . . . . . . . . . . . . . . . . . . . . . . . .2 5. . . . . . . . . . . . . . Elipse. .1 4. . . . . . . . . . . . Etapas do processo de detecção e diagnóstico de falhas.2 2. . . . . . . . . . .4 5. . . . . . . . .3 3. . . . . . . . . . . . . . . iii . . . . . . . . .1 2. . . . . . . .5 5. . . . . . . . . . . .4 4. .1 2. . Configuração de agarramento para a abordagem 02: J = 2 e S = 3. . . . . . .6 Pirâmide da Automação Industrial. . . . . . . Diagrama de fase de uma válvula com agarramento.4 2. . . . . . .6 3. . Esquema de blocos representando o método de detecção e classificação de falhas através de identificação de sistemas. . . . . Thresholds do sinal Y (t ). . . . . . . . . . . . . . . . . . . . Modelo proposto. . . . . . Configuação de Agarramento para a abordagem 01: J = 2 e S = 4.3 2. . . . . . . . . . . . . . . . . . . . . Agarramento com apenas Banda Morta para a abordagem 01. . . . . . . . . . . . . . . . . . . . . . Saída do Processo Para Diferentes Níveis Agarramento. . . Agarramento do tipo Overshoot para a abordagem 01. . . . . . . . . . . . Classificação de falhas quanto a localização. . . . . . . . . . . . . . . . . . . .Lista de Figuras 1. Diagrama de blocos da proposta. . . . . . . . . . . . . . . . . .1 6. .3 6. . . . . . . . . . . .1 5. . . . .2 3. . . . . Falhas em válvulas posicionadoras . . . . . . . . . . Representação do método de detecção de falhas por equações de paridade. . . . . . . . . . . . . . . . Diagrama de Blocos da Proposta Baseada em Análise Espectral. .5 6.1 3. . . . . . . . . .3 5. . . . . Diagrama de fase. 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. . . . . . . . . . . . . . . . Agarramento do tipo Undershoot para a abordagem 01. . . . . . . . . . . . . Diagrama de Blocos da Proposta Baseada em Análise Espectral. . . . . . . . . . . . . . . .4 6. . . Classificação dos algoritmos de diagnóstico. . . . . . . . . . . . . . . . . .6 6. . . . . . . . . . . . . Agarramento sem offset para a abordagem 01. . . . . centroide. . .2 5. . . . . . . . . . . . .5 2.2 6. Algoritmo de modelagem de agarramento. . . . .

. . .10 6. .11 Configuração de agarramento para a abordagem 02: Configuração de agarramento para a abordagem 02: Configuração de agarramento para a abordagem 03: Configuração de agarramento para a abordagem 03: Configuração de agarramento para a abordagem 03: J = 3 e S = 3. . . . J = 5 e S = 2. .9 6. J = 2 e S = 4.6.8 6. J = 3 e S = 3.7 6. . . . . . J = 3 e S = 6. . . . . . 36 37 38 38 39 . . .

. . . . . . . . . . Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 02. Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 03.Lista de Tabelas 6. 34 37 39 v . . . . . .3 Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 01. . . . .1 6. . . . . . . . . . . . . . . . . . .2 6. . . . . . . . .

Lista de Símbolos e Abreviaturas AEM: CLP: DSS: EPS: ERP: FFT: MSE: PCA: RNA: SAD: Abnormal Event Management Controladores Lógicos Programáveis Decision Support System Enterprise Production Systems Enterprise Resource Planning Fast Fourier Transform Mean Square Error Principal Component Analysis Redes Neurais Artificiais Sistema de Apoio à Decisão SCADA: Supervisory Control and Data Acquisition vi .

como ilustra a Figura 1.1. sem dúvida uma das grandes revoluções tecnológicas do século XX. por exemplo. planejamento e flexibilidade da produção. a segurança dos funcionários. • Enterprise Resource Planning • Dados Corporativos ERP EPS • Enterprise Production System • Dados de Produção CLP e SCADA Sensores e Atuadores • Controle e Supervisão • Dados em tempo real • Redes Industriais Figura 1. de aumentar a velocidade e a qualidade dos processos produtivos. pois possibilitou otimizar processos antes realizados pela força humana e desempenhar tarefas antes impossíveis para o homem. o termo significa qualquer sistema que utilize máquinas e que substitua o trabalho humano com o intuito. . sem a interferência do homem.1: Pirâmide da Automação Industrial. A automação foi. Um sistema de automação atual pode ser melhor compreendido se o dividirmos em níveis. atualmente. além de obter maior controle. efetuando medições e introduzindo correções. automação (do inglês Automation) é um sistema automático de controle pelo qual os mecanismos verificam seu próprio funcionamento. O conceito de automação foi instituído nos Estados Unidos apenas em 1946. nas fábricas automotivas e.Capítulo 1 Introdução Segundo o dicionário Aurélio de língua portuguesa [de Holanda Ferreira 1993].

uma grande variedade de dados proveniente desses equipamentos pôde ser disponibilizada em tempo real para os sistemas supervisórios ou mesmo para outras aplicações. no chão de fábrica. resultando em um ambiente cada vez mais preciso. Enterprise Resource Planning (ERP) [Leitão 2008]. encontram-se os controladores lógicos programáveis (CLP) e os SCADA (Supervisory Control and Data Acquisition). INTRODUÇÃO 2 Na base da pirâmide encontra-se o nível de sensores e atuadores. é o responsável pela gerência de informação. Além disso. pode ajudar a evitar um comportamento inesperado do sistema. torna possível o monitoramento dos produtos desde a sua fase inicial de produção. existe ainda o contínuo aumento das restrições econômicas. que em última análise poderia ocasionar perdas bastante conside- . eficiente. No topo da pirâmide estão os sistemas responsáveis pela transformação desses dados em informação de negócio.CAPÍTULO 1. qualidade dos produtos. Além disso. Silva 2008]. que são responsáveis por realizar o controle automatizado das atividades e a supervisão da planta. até o seu contato com o mercado. muito em função dos desenvolvimentos tecnológicos nas áreas de eletrônica digital e informática. ambientais e de segurança sobre a operação de processos industriais. Estes são responsáveis pela interação direta com o processo. enquanto o processo ainda está operando em uma região controlável. fazendo a leitura das variáveis relevantes através dos sensores e interferindo no processo por intermédio dos atuadores. Com o advento de equipamentos de campo cada vez mais inteligentes e baratos. a detecção e o diagnóstico prematuro de uma falha. confiável e seguro. o grande desafio atual da engenharia é transformar essa grande quantidade de dados em informação útil à tomada de decisão. Assim. o que possibilita um maior controle de tudo o que acontece no processo de fabricação de produtos industrializáveis dos mais diferentes setores. motivos para continuar aumentando o grau de automação na supervisão dos processos ainda sobram. respectivamente. No nível imediatamente acima. O terceiro níveis. A automação industrial vem experimentando grande desenvolvimento nos anos recentes. Neste nível são armazenados dados referentes aos processos que podem ser utilizados como informação útil. Mesmo com todo esse aparato tecnológico. Além da concorrência cada vez mais acirrada em diversos setores da indústria. aliado aos preços elevados envolvidos em seus processos e à inquestionável necessidade de segurança. Toda essa demanda crescente por eficiência. de modo que venha a contribuir efetivamente na melhoria da operação e planejamento do processo como um todo. redução de custos e a integração dos vários sistemas de controle no setor industrial. justificam a importância da supervisão (ou monitoramento) e dos sistemas de detecção e diagnóstico de falhas envolvendo tais processos [Isermann 2005. Enterprise Production Systems (EPS).

Neste trabalho é apresentada uma proposta baseada em Redes Neurais Artificiais (RNA) para detectar e quantificar a quantidade de agarramento em uma válvula. desenvolver técnicas que possam detectar e diagnosticar esse problema é bastante importante para a indústria. Por outro lado. Portanto algoritmos para quantificação de atrito podem gerar uma classificação de prioridade de manutenção. de acordo com a intensidade da não linearidade apresentada pela válvula [Choudhury et al. Muitos pesquisadores consideram o atrito em válvulas de controle um dos fatores mais relevantes para problemas de desempenho em malhas de controle [Romano 2010]. até que uma parada seja programada. o funcionamento de qualquer válvula é afetado por atrito. . o agarramento é o tipo mais comum [Choudhury et al. A rigor. De acordo com Jelali (2006). Dentre os vários tipos de não linearidade presentes em válvulas posicionadoras. INTRODUÇÃO 3 ráveis como: paralização de processos. É diante dessa realidade que este trabalho vem a contribuir com o estudo e análise de técnicas de detecção de falhas em válvulas posicionadoras. entre outras coisas. dependendo do tamanho e do setor da indústria em questão. acidentes envolvendo vidas humanas.1 Motivação Uma falha em um processo industrial pode ocorrer devido a inúmeros fatores. estrutura ou sintonia de controles e falta de manutenção.CAPÍTULO 1. zona-morta. Estudos mostram que cerca de 30% das malhas de controle encontradas na indústria oscilam devido a problemas relacionados às válvulas de controle [Garcia 2008]. um procedimento imediato de manutenção pode ser necessário. Esta não linearidade pode causar efeitos indesejáveis. 2006]. por menor que seja tal influência. em situações menos severas. 2008]. Sendo assim. os mais encontrados nas malhas de controles das plantas industriais são as válvulas posicionadoras. No que se referem aos atuadores em um processo industrial. é possível usar compensadores específicos (baseados em modelos) para diminuir a perda de desempenho da malha. danos a equipamentos de custo elevado e principalmente. O que se traduz. Essas válvulas apresentam características não lineares (histese. os fatores que comprometem o desempenho de malhas de controle são de maneira geral: erros de projeto. agarramento. em perdas financeiras que podem chegar a valores bastante elevados. Quando o atrito é muito elevado. mau-funcionamento de sensores e atuadores. 1. etc. como erros estacionários e comportamento oscilatório. entre outras) provocadas pelo atrito entre as partes móveis da válvula.

encontra-se uma definição formal sobre agarramento em válvulas e é apresentado um modelo que simula esse tipo de falha. No Capítulo 4 é feito um apanhado bibliográfico das principais técnicas para diagnóstico de agarramento presentes na literatura. os principais conceitos e os tipos mais comuns de falhas encontradas em válvulas posicionadoras. 1. No Capítulo 5 é detalhada a proposta do trabalho para detecção e quantificação de agarramento em válvulas posicionadoras. E. INTRODUÇÃO 4 1. No capítulo seguinte. através de uma estratégia baseada em RNA para detecção de agarramento em válvulas posicionadoras. utilizando-se várias configurações de agarramento em uma planta simulada. .2 Objetivos Em linhas gerais.3 Divisão do trabalho No Capítulo 2. finalmente. No Capítulo 6 são mostrados os resultados obtidos. encontra-se uma panorâmica da área de detecção de falhas.CAPÍTULO 1. utilizando apenas informações de variáveis de processo e ações de controle. o objetivo desse trabalho é contribuir para a área de detecção e diagnóstico de falhas. no Capitúlo 7 encontram-se as conclusões do trabalho juntamente com algumas considerações para trabalhos futuros.

incompleta e/ou pouco confiáveis devido a uma variedade de causas. como abrir e fechar válvulas. ou do inglês Abnormal Event Management (AEM). Visando auxiliar o operador a detectar e diagnosticar falhas nos processos industriais. que eram capazes de resolver vários problemas da automação [Silva 2008]. que antes eram realizadas por operadores humanos. O desafio atual é a automatização da AEM utilizando sistemas de controle inteligentes. não é nenhuma surpresa que os operadores humanos tendem a tomar decisões erradas e realizar ações que tornam as coisas ainda piores. Dessa maneira torna-se humanamente impossível analisar essa quantidade de dados em tão pouco espaço de tempo. na economia e no meio ambiente [Venkatasubramanian. proporcionando assim auxílio aos operadores nas situações de emergência. Estatísticas industriais mostram que cerca de 70% dos acidentes de trabalho são causados por erros humanos. Estes eventos anormais têm impacto significativo na segurança. Ações de controle ditas de baixo nível. Além disso. vem chamando bastante atenção nos últimos tempos. tais como má calibração ou falha nos sensores. Uma única unidade de processo de grande porte pode chegar a ter mais do que 1. são agora executadas de maneira automatizada. o dever de interpretar e realizar alguma ação quando a planta apresenta anormalidades ainda continua sendo uma tarefa bastante manual realizada pelo operador. o grau de automação envolvido nos processos industriais aumentou drasticamente em consequência da disponibilidade dos microcomputadores. a área de Gerenciamento de Eventos Anormais.Capítulo 2 Detecção de Falhas Em meados da década de 1970 [Isermann 2005]. As pessoas nas indústrias de . Dadas essas condições adversas. Rengaswamy. a tarefa de diagnóstico de falha é dificultada pelo fato de que as medições de processo podem muitas vezes ser insuficiente.500 variáveis do processo observadas a cada segundo [Bailey 1984]. Esta total confiança nas ações humanas para lidar com eventos anormais e de emergência tornou-se cada vez mais difícil devido ao tamanho e complexidade dos processos industriais modernos. Yin & Kavuri 2003]. No entanto.

soluções rápidas em tempo real requerem algoritmos com uma complexidade computacional baixa. Conseguir obter uma resposta rápida e precisa em tempo real são dois fatores importantes para a confiabilidade do sistema. • Robustez: O diagnóstico do sistema deve ser confiável mesmo na presença de ruído ou de incertezas. pode ajudar a evitar um comportamento inesperado do sistema. Rengaswamy. o que causaria perdas de produtividade e pode colocar em risco vidas humanas. • Adaptabilidade: O sistema de diagnóstico deve ser capaz de se adaptar a mudanças não apenas de perturbações externas. tais como alteração qualidade da matéria prima utilizada ou na quantidade de produto produzido. O diagnóstico prematuro de uma falha enquanto o processo opera em uma região controlável. é importante que ele possua algumas características principais [Venkatasubramanian. Yin & Kavuri . • Armazenamento e esforço computacional: Normalmente.2 Etapas do Processo de Detecção de Falhas Para entender melhor como um sistema de detecção e diagnóstico de falhas funciona. o sistema de diagnóstico deve também explicar como o problema se originou e se propagou até a situação atual. DETECÇÃO DE FALHAS 6 processo veem isso como o próximo grande marco na pesquisa de sistemas de controle e aplicação [Venkatasubramanian. Rengaswamy. 2. Yin & Kavuri 2003]: • Detecção e Diagnóstico rápido: O sistema de detecção de falha deve detectar e diagnosticar uma falha de forma rápida. 2.CAPÍTULO 2. como também se adaptar a mudanças nas condições de operação no processo. Seu desempenho deve decair de maneira suave ao invés de ter uma queda abrupta de confiabilidade. é importante identificar as várias transformações que são realizadas durante o processo antes que o diagnóstico final seja feito [Venkatasubramanian. é necessário ponderar essas duas características.1 Características de um Sitema de Detecção de Falhas Para que um Sistema de Detecção e Diagnóstico de Falhas possa cumprir com o que ele foi desenvolvido para fazer. Para que o sistema de diagnóstico seja eficiente. mas isso requer um armazenamento em memória excessivo de informações. Rengaswamy. • Facilidade de explicação: Além de ser capaz de identificar a causa da falha. Yin & Kavuri 2003].

obtidas através de transformações do espaço de características. . . a interpretação da saída da Rede Neural nos dá o Espaço de Classes.1: Etapas do processo de detecção e diagnóstico de falhas. A primeira etapa de um sistema de diagnóstico de falhas é chamado de Espaço de Medição. temos o Espaço de Classes que é a etapa final de um Sistema de Diagnóstico. . Nesta etapa é formado um conjunto de pontos d = [d1 . cM ]. DETECÇÃO DE FALHAS 7 2003]. A Figura 2. . .1 mostra as várias etapas de processamento da informação para que o diagnóstico final seja realizado. Fazendo um comparativo com Redes Neurais. Os neurônios ocultos correspondem ao Espaço de Características. os nós de entrada da rede representam o Espaço de Medição. Nenhum conhecimento a priori do processo é necessário nesta etapa. O Espaço de Características é onde os valores medidos são analisados e combinados com o auxílio de algum conhecimento a priori para que sejam extraídas informações úteis sobre a dinâmica do processo. Por fim. . Os neurônios de saída da rede mapeiam o Espaço de Característica para o Espaço de Decisão. A etapa seguinte é chamada de Espaço de Decisão. para auxiliar no diagnóstico. Espaço de Medição Espaço de Características Espaço de Classes Espaço de Decisão Figura 2. Esta ultima etapa é representada por um conjunto de características c = [c1 . . É nessa etapa onde são obtidos os valores das variáveis de processo que serão analisadas para gerar o diagnóstico final. Por fim. dk ] onde k é a quantidade de variáveis de decisão. . .CAPÍTULO 2. O mapeamento do Espaço de Características para o Espaço de Decisão geralmente é designado para atender alguma função objetivo (como minimizar o erro de classificação). onde cada elemento ci representa diferentes falhas que o sistema pode diagnosticar.

3 Classificação dos Métodos de Detecção de Falhas Devido à abrangência do problema de diagnóstico de falha em processo e às dificuldades na sua solução em tempo real. No trabalho desenvolvido por Venkatasubramanian. Os diferentes tipos de classificação podem ser visualizados na Figura 2. Rengaswamy. como as primeiras tentativas usando árvores de falhas e grafos. Kavuri & Yin 2003]. Rengaswamy. Um dos métodos mais simples e frequentemente usados para detecção de falhas é a verificação do limite de uma variável Y (t ). Rengaswamy & Kavuri 2003]. dois valores são escolhidos para serem os thresholds máximo Ymax e o mínimo Ymin . Yin & Kavuri (2003). DETECÇÃO DE FALHAS 8 2. Já para Isermann (2005). Eles são métodos quantitativos baseados em modelos. Yin & Kavuri 2003]. esse conhecimento é expresso em termos de funções matemáticas que descrevem a relação entre as entradas e as saídas do processo. detecção de falhas com métodos de identificação de processos. Nos modelos quantitativos.2. Já nos modelos qualitativos. Yin & Kavuri (2003) e por Isermann (2005). respec- .CAPÍTULO 2. Ao contrário dos métodos baseados em modelo que necessitam do conhecimento a priori sobre do modelo físico do processo. Geralmente. Rengaswamy. também chamados de thresholds. Há diversas técnicas já utilizadas na construção de ferramentas com o objetivo de detectar falhas em processos industriais. os métodos de diagnóstico de falhas são classificados em três categorias gerais. equações de paridade. as variáveis de um processo são monitoras e comparadas aos valores. abordagens analíticas e sistemas baseados em conhecimento e redes neurais em estudos mais recentes [Venkatasubramanian. os modelos baseados em histórico fazem uso apenas de dados históricos das variáveis do processo [Venkatasubramanian. as equações são expressas em termos de funções qualitativas de diferentes unidades de um processo [Venkatasubramanian. podemos destacar a classificação feita por Venkatasubramanian. métodos qualitativos baseados em modelos e métodos baseados em histórico. Rengaswamy. Elas cobrem uma ampla variedade de técnicas. No caso. Em especial. Os métodos baseados em modelo são desenvolvidos a partir do conhecimento físico do processo analisado. várias abordagens computacionais foram desenvolvidos ao longo dos anos. sendo as principais abordagens: verificação de limites. Vale destacar que cada autor tem a sua visão particular de como categorizar essas técnicas. os métodos de detecção de falhas são classificados em diversos tipos. através da análise da assinatura de sinais.

a comparação dos sinais de saída do processo real com os sinais de saída das equações do mesmo fornecem os chamados resíduos. Exceder um dos thresholds indica a presença de alguma falha no sistema. Os modelos PCA (Principal Component Analysis) são basicamente lineares e estáticos e são desenvolvidos a partir do funcionamento normal do processo. Assim como PCA. y é a saída real do sistema e y ˆ é a saída estima.CAPÍTULO 2. A Figura 2.2: Classificação dos algoritmos de diagnóstico. Os resíduos são sinais gerados a partir da comparação entre valores mensuráveis do processo real e valores estimados pelos modelos ou equações quando os mesmo estão sujeitos à mesma entrada. Esta abordagem tem a capacidade de indicar anormalidades no processo através das discrepâncias entre o sinal de saída do processo e das equações. ou descorrelacionados. µ representa a entrada do processo. onde a variável θ representa os resíduos. São esses resíduos que serão analisados para a decisão sobre falhas ou não. tivamente. Essas ferramentas matemáticas são utilizadas para fazer uma transformação em um sinal. A Figura 2.4 ilustra em esquema de blocos essa abordagem. Existem ainda outras técnicas amplamente utilizadas para análise de sinais como Transformadas Wavelets ou FFT (Fast Fourier Transform). Nesse caso.3 ilustra a monitoração de uma variável hipotética Y (t ) e seus respectivos limites inferior e superior. essas não necessitam do modelo matemático do sistema para a detecção de falhas. tornando-o mais apropriado para a tomada de decisão sobre a existência ou . A detecção de falhas com equações de paridade é uma maneira direta de detectar falhas em processo. Os métodos de detecção de falhas através de análise da assinatura de sinais são atrativos quando as medições dos processos são altamente correlacionadas e apenas alguns eventos produzem dados não usuais. DETECÇÃO DE FALHAS 9 Métodos de Diagnóstico Quantitativos Baseados em Modelo Qualitativos Baseados em Modelo Baseados em Histórico Figura 2.

não de uma falha.3: Thresholds do sinal Y (t ). .CAPÍTULO 2.4: Representação do método de detecção de falhas por equações de paridade. Outra possível maneira de detecção de falhas é através da Identificação de Sistemas. DETECÇÃO DE FALHAS 10 Falha Ymax Valor da Variável Y Ymin Tempo Figura 2. u Processo y + θ - Equação de Paridade ŷ Figura 2.

ou seja. representados por θ . que são gerados a partir das saídas do processo real e do Modelo Identificado. seus parâmetros não têm nenhum significado físico.5: Esquema de blocos representando o método de detecção e classificação de falhas através de identificação de sistemas. Por fim. elas estão representadas por F1. os modelos utilizados com essa abordagem são do tipo caixa preta. enquanto que em outros apenas alguns parâmetros são desconhecidos. .CAPÍTULO 2. DETECÇÃO DE FALHAS 11 No caso. nenhuma relação direta com o modelo fenomenológico do processo em questão. Aqui. um modelo matemático de um processo descreve a relação entre as entradas u(t ) e as saídas y(t ). Observando-se a Figura 2. a etapa de classificação envolve as fases de isolamento e identificação das falhas. Neste caso. isto é. Tais modelos são fundamentais para essa modalidade de detecção de falhas. a saída do classificador indica qual falha ocorreu. neste caso. Em muitos casos os modelos são totalmente conhecidos. como referência do processo industrial quando o mesmo está em situação normal de funcionamento. Controlador Processo Sensor y + Modelo Identificado ŷ θ F1 Classificador F2 F3 Figura 2. Vale lembrar que. F2 e F3.5. dado que elas servirão. Estes são a base para a identificação da falha. na maioria das vezes. pode-se perceber que o módulo rotulado classificador recebe resíduos.

• Falhas em atuadores: podem ser vistas como qualquer mau funcionamento do equipamento que atua no sistema. Este atrito pode causar efeitos indesejáveis como erros estacionários e comportamento oscilatório. Em estudos realizados [Bialkowski 1992]. • Falhas no sistema dinâmico: ocorrem quando alguma alteração no sistema muda de alguma forma a relação original de entrada e saída do mesmo. foi mostrado que uma grande quantidade das malhas oscilavam devido a problemas relacionados às válvulas de controle [Romano 2010] e observou-se também que o Agarramento era o tipo de não linearidade mais comum [Choudhury et al. Os atuadores mais encontrados nas malhas de controle dos processos industriais são as válvulas posicionadoras. As falhas podem se encontrar no atuador. algoritmos para . Referência Entrada Controle Atuadores Atuação Sistema Dinâmico Saída Sensores Saída Medida Figura 2. 2008]. até que seja programada uma parada. DETECÇÃO DE FALHAS 12 2. porém podemos classificar o tipo de falha de acordo com a sua localização. Como por exemplo. por menor que seja tal influência. Rengaswamy. um procedimento imediato de manutenção pode ser necessário. Portanto. o funcionamento de qualquer válvula é afetado pelas forças de atrito existente em suas partes móveis. um vazamento em um tanque. A rigor. entre outras) provocadas pelo atrito entre as partes móveis da válvula. Silva 2008]. no sistema dinâmico (processo) ou no sensor. Muitos pesquisadores consideram o atrito em válvulas de controle um dos fatores mais relevantes para problemas de desempenho em malhas de controle.4 Tipos de Falhas mais Comuns Falha em um processo industrial pode ocorrer devido a inúmeros fatores. • Falhas em sensores: podem ser observadas através de variações específicas nas medidas que possibilitem desconsiderá-las como variações válidas do sistema. Por outro lado. banda morta.6 [Venkatasubramanian. como pode ser visualizado na Figura 2. Quando o atrito é muito elevado.6: Classificação de falhas quanto a localização.CAPÍTULO 2. que apresentam características não lineares (histerese. em situações menos severas é possível usar compensadores específicos para diminuir a perda de desempenho da malha. Yin & Kavuri 2003.

CAPÍTULO 2. um método não invasivo. Por esse fato. . capaz de quantificar o agarramento em válvulas de controle operando em malha fechada é altamente necessário na indústria de processos [Romano 2010]. será apresentada uma definição mais formal sobre agarramento em válvulas posicionadoras e também será mostrado um modelo empírico para simular esse comportamento não linear da válvula. DETECÇÃO DE FALHAS 13 quantificação de atrito podem gerar uma classificação de prioridade de manutenção. é necessário primeiro compreender melhor esse tipo de falha tão comumente encontrada nos processos industriais. segundo Desborough & Miller (2002). de acordo com a intensidade da não linearidade da válvula. No capítulo seguinte. Antes de ser apresentado qualquer método para detecção de agarramento em válvulas.

banda morta e o agarramento. porém em direções opostas. devido a problemas relacionados às válvulas de controle. 2005]. dificultando o controle da malha. Pelo fato de introduzir não linearidades ao processo. Quanto maior a histerese de uma válvula de controle. A Figura 3. Porém. 2008). porém nenhuma variação no sinal de saída é observada. respectivamente. Folga ou histerese (do inglês backlash). a ação integrativa do controlador aumenta o valor . em muitos casos. resultante da folga existente quando é feita uma mudança na direção de movimento das peças.. Não existe na literatura uma definição formal do que seja agarramento em válvulas posicionadoras [Choudhury et al. Ela se caracteriza pela ocorrência da diferenciação do ganho da malha de controle quando a válvula de controle é submetida a perturbações de intensidades iguais.1b mostram o diagrama de fase (Entrada x Saída) comumente encontrado em uma válvula que apresenta histerese e banda morta. pior o desempenho da mesma. Dentre os tipos mais comuns podemos destacar a histerese. o agarramento é o tipo mais comum (Choudhury et al. A histerese é um fenômeno que existe em todas as válvulas de controle.1a e a Figura 3. Já a banda morta é a faixa onde o sinal de entrada varia. o que as impedem de se movimentarem corretamente. a histerese afeta a eficácia da resposta da ação do controlador. Dentre os vários tipos de não linearidade presentes em válvulas posicionadoras. inúmeras definições propostas por diferentes autores concordam que o agarramento é provocado pelo alto atrito estático presente nas partes mecânicas da válvula. é o movimento relativo entre as partes mecânicas nos instrumentos do processo.Capítulo 3 Agarramento em Válvulas Posicionadoras Há diversos tipos de não linearidades que podem ser encontradas em válvulas posicionadoras. Oscilações na malha de controle ocorrem. Como a válvula encontra-se emperrada.

CAPÍTULO 3. As componentes de banda morta e stickband representam a faixa onde o sinal de controle varia sem que seja observada alguma variação na posição da válvula. Após superar a força de atrito estático. tem-se início a fase de movimento da válvula. slip jump e fase de movimento.2.Posição da válvula) de uma válvula "sofrendo de agarramento"consiste de quatro componentes principais: banda morta. ou seja. O movimento continua até que sua velocidade chegue próximo de zero ou ela mude de direção. fazendo com que a válvula emperre novamente. Esse deslocamento repentino é representado pelo slip jump. Imediatamente após o atrito estático ser superado pelo sinal de controle. Figura 3. Essas quatro componentes podem ser observadas na Figura 3.1: Falhas em válvulas posicionadoras do sinal de controle até que o atrito seja superado. Podemos observar que o diagrama de fase (Saída do controlador . Quando isso ocorre. (b) Banda Morta. a força de atrito estático não foi superada e a válvula encontra-se parada. . stickband. AGARRAMENTO EM VÁLVULAS POSICIONADORAS 15 Saída Saída Banda Morta Entrada Entrada (a) Histerese. ocorre um movimento abrupto da válvula. a válvula volta a se mover.

a massa das partes móveis do atuador. 3. Ele é um modelo empírico composto apenas de dois parâmetros. além de que o efeito da mudança desses parâmetros não é determinado de maneira direta. (2005) tem como objetivo superar todas essas limitações do modelo fenomenológico de uma válvula posicionadora.3 mostra o diagrama de blocos da arquitetura do modelo proposto.1 Modelagem de agarramento em válvulas posicionadoras O modelo matemático fenomenológico que reproduz o comportamento de uma válvula em uma planta requer o conhecimento de inúmeros parâmetros como. tornando o estudo matemático do modelo bastante complexo [Choudhury et al. a constante elástica e todas as forças de atrito envolvidas no processo. Caso F as ed Slipjump (J) eM ovim ent a ção . por exemplo. onde o modelo não linear do agarramento de válvula está compreendido entre a saída do controlador e a entrada do processo analisado. A Figura 3.2: Diagrama de fase de uma válvula com agarramento. Com isso. 2005].CAPÍTULO 3. Se o controlador estiver enviando um sinal inferior a 0% o sinal é saturado em 0% ou se o sinal for maior que 100% a saturação ocorre em 100%. Todas essas informações são difíceis de serem obtidas. inicialmente é realizada uma saturação no sinal de controle. o parâmetro S que representa o tamanho da componente de banda morta junto com a componente stickband. o modelo proposto por Choudhury et al. No algoritmo proposto por Choudhury. AGARRAMENTO EM VÁLVULAS POSICIONADORAS 16 Banda Morta + StickBand = S Posição da Válvula Banda Morta Saída do Controlador Stickband Figura 3. e o parâmetro J que representa o tamanho da componente slip jump.

1) 2 Além dos parâmetros S e J. o modelo possui três variáveis auxiliares: a variável I que assume valores booleanos true ou f alse para indicar se a válvula emperrou por estar em repouso. Porém sua grande vantagem é que ele é muito fácil de ser usado para simular agarramento. mv(k) = op(k) − . Em ambos os casos onde a válvula consegue superar o atrito estático. Na realidade. Esse valor mantido em memória é utilizado para calcular o acumulado do sinal de controle após o agarramento e saber se o atrito estático foi superado ou não. A volta do movimento da válvula depende de como ela tenha emperrado.3: Modelo proposto. se o sinal de controle acumulado for superior ao valor do parâmetro S. então a válvula rompe o atrito estático e inicia sua fase de movimento. No caso onde a válvula emperrou devido à mudança em sua direção. A Figura 3.1. A válvula é considerada emperrada quando ela muda de direção ou quando sua velocidade chega a zero.4 resume o algoritmo do modelo proposto por Choudhury.CAPÍTULO 3. Além de que seus parâmetros são simples de serem entendidos e relacionados ao comportamento de um agarramento real. O valor do sinal de controle quando a válvula emperra é mantido em memória e não se altera até que a mesma emperre novamente. Caso a válvula tenha emperrado por estar em repouso (velocidade igual a zero) a mesma só romperá o atrito estático e começará a fase de movimento se o sinal de controle acumulado for superior ao parâmetro J. AGARRAMENTO EM VÁLVULAS POSICIONADORAS 17 Set Point + - Controlador C(s) Válula op mv Não Linearidade Processo G(s) pv Figura 3. esse modelo não é baseado na dinâmica da válvula. o sinal de controle esteja compreendido na faixa de 0-100% o algoritmo calcula a nova posição da válvula. us que armazena o valor do sinal de controle no exato momento em que a válvula emperra e dir = ±1 que é usado para denotar o sentido da força de atrito. sua nova posição é calculada de acordo com a equação 3. dir ∗ (S − J ) (3.

4: Algoritmo de modelagem de agarramento.u(k-1) dir = sign(Δu(k)) Δu(k)Δu(k-1) > 0 Não Δu(k) = 0 ? Sim I = true Sim I= true ? Não Sim |u(k) – us| > S Sim Não |u(k) – us| > J Não 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. . AGARRAMENTO EM VÁLVULAS POSICIONADORAS 18 op(k) Converter de mA para % u(t) y(k) = 100 Sim u(k) ≥ 100 ? Não y(k) = 0 Sim u(k) ≤ 0 ? Não Δu(k) = u(k) .CAPÍTULO 3.

8 −1 0 2 4 6 8 10 12 14 Tempo Figura 4. Depois de algum tempo apareceram técnicas capazes não só identificar mas também quantificar a quantidade de atrito em uma válvula.6 0. Um dos primeiros trabalhos publicados .1: Defasagem dos Sinais. A ideia central desse trabalho é realizar uma correlação entre os sinais op e pv. É importante destacar que essa técnica não é capaz de quantificar a quantidade de atrito na válvula. Um dos primeiros trabalhos desenvolvidos para detectar agarramento em válvulas posicionadoras foi o trabalho de Horch (1999).4 0.4 −0. 1 0.Capítulo 4 Estado da Arte Na literatura é possível encontrar diversos métodos para detectar agarramento em malhas de controle utilizando apenas informações sobre a saída do processo (pv) e a saída do controlador (op).6 −0.8 0.2 0 −0. com essa informação é possível verificar a defasagem desses dois sinais e a partir daí identificar a presença ou ausência de agarramento na válvula.2 −0.

2008]. A técnica pode ser dividida em duas etapas: primeiro o modelo não linear (agarramento) é identificado e em seguida. Nesse trabalho é feita uma análise no comportamento elipsoidal do diagrama de fase PV x OP. Todas essas técnicas estão bem difundidas na literatura. o algoritmo C-means. Esta abordagem baseia-se em busca em uma grade formada com os valores de S e J. os parâmetros S e J são calculados. Devido ao grande número de mínimos locais na minimização do erro.5 0 −0.5 1 Saída do Processo 0. Mais tarde. neste caso foi utilizado algoritmo genético para otimizar a função objetivo. (2006). baseado no MSE. 1. estimando os parâmetros S e J [Choudhury et al.5 1 1.5 −1 −0.2: Elipse.5 −1 −1. Algumas técnicas podem chegar a demorar até 20 minutos .MSE) é calculado. é necessário a utilização de um algoritmo estocástico.5 −2 −1. Outros autores também se destacam nessa área. Choudhury propôs uma nova técnica para quantificar o grau de agarramento em uma válvula. Esse trabalho descreve uma técnica baseada em mínimos quadrados (MSE) e em busca global. como por exemplo.5 2 Saída do Controlador Figura 4. ESTADO DA ARTE 20 nessa área foi desenvolvido por Choudhury et al.CAPÍTULO 4. A configuração com o menor erro é utilizada para estimar o grau de agarramento.5 0 0. O método proposto quantifica o grau de agarramento de acordo com o tamanho o raio da elipse encontrada. fazendo uso de técnicas de agrupamento. Como exemplo temos o trabalho de Jelali (2008). Para cada ponto dessa grade a saída do modelo da válvula é computada para que seja feita uma identificação do sistema e em seguida o erro médio quadrático (do inglês Mean Square Erro . porém uma das principais desvantagem nessas abordagens é o tempo computacional necessário para se obter uma estimativa do agarramento.

onde o algoritmo deve obter respostas dentro de alguns segundos. Isso inviabiliza sua utilização em aplicação em tempo real. Nos capítulos seguintes será apresentada uma abordagem baseada em Redes Neurais Artificiais para quantificar agarramento em válvula posicionadoras. . Essa abordagem pode ser utilizada tanto para o diagnóstico off-line quanto online. ESTADO DA ARTE 21 para obter o resultado final [Farenzena & Trierweiler 2012].CAPÍTULO 4.

Por serem equipamentos mecânicos.2. Portanto. 2005. pois a dinâmica do processo emcobre o padrão da assinatura [Jelali 2008]. stick band e slip jump. o desafio é conseguir detectar agarramento conhecendo apenas os sinais de saída do processo e o sinal de controle. não podem ser claramente identificadas. O problema de analisar o diagrama de fase formado pelo sinal de controle e pela saída do processo (op-pv) é que as componentes de banda morta. No entanto. o diagrama de fase op-mv apresentará uma assinatura parecida com a observada na Figura 3.1 e controlado em malha fechada por um Controlador descrito pela equação 5. cuja função de transferência seja dada pela equação 5. agarramento nas válvulas de controle são bastante importantes para a indústria. Caso seja possível obter a informação da posição da válvula (como é o caso das smart valves).Capítulo 5 Proposta Os atuadores mais comumente encontrados nas malhas de controles dos processos industriais são as válvulas posicionadoras. Tomando como exemplo um processo industrial genérico. Sendo assim. G(s) = 1 s (5. ou mesmo com precisão temporal adequada. Essas forças indesejadas adicionam uma componente não linear em sua resposta. Choudhury et al.4(2s + 1) 2s (5. 2008]. podendo fazer com que a saída do processo torne-se oscilatória [Choudhury et al.2. mais especificamente.1) C(s) = 0. desenvolver técnicas que possam detectar e diagnosticar não linearidades. eles sofrem muita influência das forças de atrito presentes em suas partes móveis.2) . muitas vezes não é possível obter a saída da válvula. caso a válvula esteja sofrendo agarramento.

PROPOSTA 23 Utilizando-se o modelo de agarramento proposto por Choudhury. Porém. Figura 5. Comparando-se a Figura 5. obtemos os diagramas de fase mostrados nas figuras 5. O objetivo do trabalho em questão é propor uma técnica online para quantificar o grau de agarramento em válvulas posicionadoras. Como mostrado no capítulo anterior (4). observado na Figura 5. Ou seja. percebe-se a presença tanto da componente de banda morta quanto a slip jump.CAPÍTULO 5. Foram desenvolvidas três abordagens diferentes para o treinamento da rede neural. utilizando-se uma Rede Neural Artificial.op). com os parâmetros S = 2 e J = 1.1a e 5.1b com a Figura 3. A RNA utilizada foi uma rede Perceptron de Múltiplas Camadas. para simular a falha nessa malha de controle. Mesmo assim. a figura formada pelo diagrama possui um padrão de assinatura que pode ser utilizado para detectar a falha. A seguir serão descritas cada uma dessas abordagens e no capítulo seguinte será feita uma comparação dos resultados obtidos.1b: (a) op-pv. analisando-se o diagrama de fase formado pelo sinal do controlador e a saída do processo (pv .2. existem diversas técnicas na literatura que permite diagnosticar agarramento. é evidente que a válvula do processo analisado apresenta não linearidade. . as componentes de banda morta e slip jump deixam de ser evidentes.1a. mostrado no Capítulo 3. treinada com o algoritmo LevenbergMarquardt [Haykin & Engel 2001].1: Diagrama de fase. O modelo proposto se baseia na estimação dos parâmetros S e J do modelo de agarramento mostrado no Capítulo 3. desconhecendo a posição das mesmas. (b) op-mv.

o centroide nada mais é do que o ponto médio da figura gerada com o diagrama. Com a utilização desse conjunto de treinamento são necessários N pontos na camada de entrada. Di = (xi − xc )2 + (yi − yc )2 (5. ao invés de 2N como acontecia na abordagem inicial. O vetor D é então fornecido para a rede neural. Nesse diagrama.1 Abordagem 01 . Como a rede neural estima os parâmetros S e J.5.3 e 5.3) yc = (5. é possível calcular a distância de cada ponto ao centroide utilizando a equação 5. xc = 1 N xi N i∑ =1 1 N yi N i∑ =1 (5. Como após a obtenção dos N pontos do sinal de controle e N pontos da saída do processo. é possível a partir desses valores estimados diagnosticar agarramento em uma válvula posicionadora. além de consumir bastante memória. é possível traçar o diagrama de fase. Uma representação em diagrama de blocos da proposta pode ser visualizada na Figura 5. Visando diminuir o tamanho do conjunto de entradas. onde N é a quantidade de pontos analisados.3. o bloco de pré-processamento recebe como entrada os valores de op e pv e calcula a distância (D) dos pontos ao centroide dos dados. e . Assim. cuja suas coordenadas são obtidas através da média das coordenadas de todos os pontos [Lima et al.4 mostram o seu cálculo.Centroide Uma possível abordagem para a geração do conjunto de entrada da RNA seria obter N pontos do sinal de controle e N pontos da saída do processo e utilizar todos esses valores para treinar a rede. que por sua vez estima os parâmetros S’ e J’ do modelo não linear de agarramento em válvulas.1a. onde o eixo x é representado pelos valores de op e o eixo y são os valores de pv. As equações 5. Isso pode tornar o processo de treinamento demorado. A Figura 5.CAPÍTULO 5. Uma desvantagem de se utilizar esse método é que seria necessário 2N pontos na camada e entrada da rede. O centroide é representado por um par ordenado.4) Conhecendo o centroide da figura gerada pelo diagrama de fase. 2011].5) A distância de cada ponto ao centroide é então utilizada como conjunto de entrada da rede neural. foi utilizado o conceito de centroide.2 mostra o centroide do diagrama apresentado na Figura 5. Caso os valores es- . PROPOSTA 24 5.

CAPÍTULO 5.2 Abordagem 02 . ao analisar esse sinal percebe-se que diferentes níveis de agarramento . apenas a informação da saída do processo não é suficiente para quantificar o grau de agarramento de uma válvula em uma malha de controle.Análise Espectral Diferente da primeira abordagem que utiliza tanto a saída do controlador quanto a saída do processo. porém se algum valor diferente de zero for encontrado para S ou J indica que foi identificado agarramento na válvula.3: Diagrama de blocos da proposta. PROPOSTA 25 Figura 5. a abordagem em questão necessita apenas das informações da pv. S Set Point + Controlador C(s) op J Processo G(s) pv mv Não Linearidade Préprocessamento D Rede Neural S’ J’ Figura 5. 5. Como exposto no começo desse capítulo. timados sejam todos nulos. No entanto. quer dizer que a válvula está funcionando de maneira ideal.2: centroide.

foi necessário calcular a Transformada de Fourier do sinal de pv obtido.6 0. Não apenas a frequência foi diferente.8 S=0. 1999].CAPÍTULO 5.4b mostra a Transformada de Fourier dos sinais da Figura 5. Tomando como exemplo a situação mostrada na Figura 5.2 0. onde o processo descrito pela equação 5.05 0. Figura 5. 1 S=0.8 0.0 / J=4.6) A realização desse procedimento nos 1024 pontos amostrados.25 0.6 0.5 0 0.4a. Isso deixa ainda mais evidente que as duas situações oscilaram com frequências e amplitudes diferentes e essas informações poderiam ser utilizadas para quantificar o grau de agarramento. Para formação do conjunto de treinamento da Rede Neural é utilizada apenas a saída do processo (pv).5 / J=0 S=1. observa-se que a frequência de oscilação na saída do processo variou em cada situação.35 Tempo (a) Diferentes Níveis de Oscilação. (b) Análise Espectral da Saída do Processo.1 foi submetido a duas configurações de agarramento diferentes. Após a aquisição dos dados foi realizada uma análise espectral do sinal resultante.4 0. O sinal pv foi amostrados com uma taxa de 2 amostra/segundo durante 512 segundos. X [k] = 2π n 1 N −1 x[n]e−ik N ∑ N n=0 (5.2 −0.0 0. Sendo assim. fazendo uso do algoritmo FFT (Fast Fourier Transform).4a. PROPOSTA 26 causam diferentes oscilações na saída malha de controle. A Figura 5.2 0. realizar uma análise espectral da saída do processo pode ser utilizada para a detecção e diagnóstico de agarramento em válvulas. A Transformada Discreta de Fourier de um sinal x[k] é dada pela Equação 5.4 Saída do Processo 0.1 0.3 0.0 / J=4.8 0. A Transformada de Fourier pode ser definida como um mapeamento que leva um sinal representado no domínio do tempo em uma representação no domínio da frequência. Para isso.0 0.15 0.1 −1 0 100 200 300 400 500 600 0 0 0.4 −0.4: Saída do Processo Para Diferentes Níveis Agarramento. a amplitude do sinal também variou.6 [Oppenheim et al.5 / J=0 S=1. resulta em novos 1024 .2 0. Seja x[k] uma sequência discreta periódica com período N .7 0.3 −0.6 −0.

Da mesma forma como foi feito na primeira abordagem. Dependendo dos valores encontrados pode-se verificar o grau de agarramento presente na válvula. Uma representação em diagrama de blocos dessa nova proposta pode ser visualizada na Figura 5. foi realizada uma filtragem nos dados.5: Diagrama de Blocos da Proposta Baseada em Análise Espectral.5. é possível diagnosticar agarramento em uma válvula posicionadora como os valores S’ e J’ estimados pela rede. Esses valores. calcula a Transforma de Fourier e então verifica quais são as 3 frequências mais relevantes bem como as suas respectivas energias. Para contornar esse problema. são então fornecido para a Rede Neural. o restante das frequências agrega pouca informação para a solução do problema. as frequências mais relevantes e suas respectivas amplitudes são então apresentadas à Rede Neural. o bloco de pré-processamento recebe como entrada os valores da pv. removendo assim informações pouco relevantes para o processo. que por sua vez estima os parâmetros S’ e J’.CAPÍTULO 5. Nesse diagrama. PROPOSTA 27 pontos referente ao espectro do sinal. as 3 frequências de maior energia representavam cerca de 90% de toda a energia do espectro. fazendo com que fosse muito custoso o seu processo de treinamento e ainda inviabilizando a sua utilização em situações onde a quantidade de memória é escassa. representados pelo vetor H . Sendo assim. Apresentar essa enorme quantidade de pontos para uma Rede Neural a tornaria muito complexa. . Após uma série de análises empíricas. verificou-se que. na grande maioria dos casos. Com isso. S Set Point + Controlador C(s) op J Processo G(s) pv mv Não Linearidade Préprocessamento H Rede Neural S’ J’ Figura 5.

é calculada a Transformada de Fourier do sinal (equação 5. presente na Figura 5. Novamente. S Set Point + Controlador C(s) op J Processo G(s) pv mv Não Linearidade Centroide D FFT F Rede Neural S’ J’ Figura 5. As 3 frequências de maior energia e suas respectivas amplitudes são então apresentadas à rede neural para que a mesma possa quantificar o grau de agarramento estimando os valores de S e J. Esse procedimento gera uma quantidade bastante elevada de pontos. Inicialmente. representado pelo vetor D. para construir uma técnica mais robusta e eficiente para o diagnóstico de agarramento em válvulas posicionadoras. verificou-se que cerca de 90% de toda a energia do sinal está concentrada em apenas 3 frequências. Essas frequências são então fornecidas à Rede Neural para que os parâmetros S e J sejam estimados.3 Abordagem 03 . onde são extraídas as frequências de maior energia (F ). Nesse diagrama. Todo esse procedimento pode ser visualizado na representação em diagrama de blocos. .6: Diagrama de Blocos da Proposta Baseada em Análise Espectral.6. PROPOSTA 28 5. Esse vetor (D) é processado pelo bloco FFT. o bloco Centroide recebe como entrada os valores de pv e op e calcula da distância de cada ponto ao centroide dos dados.3. Com o objetivo de reduzir essa massa de dados. os sinais da saída do controlador (pv) e da saída do processo (op) são amostrados.4 e 5. após uma série de análises empíricas.6) e em seguida apenas as frequências mais relevantes são levadas em consideração.Análise Espectral + Centroide A terceira abordagem proposta neste trabalho visa unir as principais características das duas abordagens anteriores.5. utilizando as equações 5. da mesma forma como descrito na primeira abordagem. 5. Em seguida é calculada a distância de cada ponto ao centroide dos dados.CAPÍTULO 5.

CAPÍTULO 5. . serão mostrados os resultados obtidos com a utilização de cada uma das abordagens propostas. PROPOSTA 29 A seguir.

4 1 + 1 0. Todas as simulações foram realizadas usando o modelo de agarramento mostrado no Capítulo 3. Várias configurações de agarramento foram testadas a fim de validar a Rede Neural treinada. sendo 40 de pv e 40 de op.2s (6. foi calculada a distância de cada ponto ao centroide dos dados.5s)s C(s) = 0. Esse processo é controlado em malha fechada por um controlador PI cuja Função de Transferência é mostrada na equação 6.1. foi obtido um erro médio quadrático de 10−1 .1 Abordagem 01 .2) O conjunto de treinamento em todas as situações foi gerado variando os valores de S e J em um intervalo de 0 até 10. 15 neurônios na cada oculta e mais 2 neurônios na cada de saída.Capítulo 6 Resultados O objetivo deste capítulo é avaliar o método proposto em um processo simulado. A RNA utilizada possui em sua camada de entrada 40 pontos. foram gerados 40 pontos para serem apresentados à RNA. referente aos 40 pontos de entradas. e−s G(s) = (1 + 0. Ao final desse processo. os sinais pv e op foram amostrados com uma taxa de 1 amostras/segundo durante 40 segundos.Centroide Para formação do conjunto de treinamento da rede neural. referentes aos parâmetros S e J estimados. . 6.1) (6. Isso resultou em um total de 80 pontos. Ao final desse processo.2. A seguir serão apresentadas algumas dessas situações. Após a aquisição. para simular a presença de não linearidade na válvula do processo descrito pela equação 6.

Figura 6.1. Sendo assim. (a) OP x MV. J = 0 e S = 4.1b que mostram os diagramas de fase do sistema com os valores de S e J reais e estimados. para a simulação do processo em questão foram escolhidos os valores J = 0 e S = 4.CAPÍTULO 6.2 Caso 2: Agarramento com apenas banda morta O próximo caso analisado é a situação de agarramento com a presença apenas da componente de banda morta. sendo assim. (b) OP x PV. J = 0 e S = 4.1a com a Figura 3.1: Agarramento com apenas Banda Morta para a abordagem 01. percebe-se a presença apenas da componente banda morta e a ausência do slip jump. Novamente o método foi capaz de estimar os parâmetros com um erro bastante pequeno.1.2. RESULTADOS 31 6. A boa estimação pode ser observada também analisando a Figura 6. Os valores de S e J estimados estão presentes no Caso 02 da Tabela 6. . Isso pode ser simulado escolhendo o valor J = 0 e S = 0. a partir dos valores estimados pode-se inferir que a válvula do sistema está funcionando de maneira correta. Os resultados obtidos na estimação dos parâmetros S e J com o método proposto são mostrados na Tabela 6. Ambos os valores estimados de S e J são uma boa aproximação dos valores reais utilizados na simulação.1a e a Figura 6. Tanto o diagrama estimado de PV-OP quanto o de MV-OP se aproxima bastante do real. 6.1 Caso 1: Sem agarramento O primeiro caso analisado é quando o sistema funciona de maneira ideal. ou seja.1. Essa situação pode ser modelada escolhendo os parâmetros J = 0 e S = 0.1. Comparando a Figura 6. sem a presença de não linearidades na válvula.

onde os valores estimados de S e J são mostrados.1. (b) OP x PV.2a. temos a situação onde a saída da válvula nunca alcançará seu sinal de entrada. a partir da Figura 6. Isso ocorre devido à presença de um elevado atrito estático e pode ser modelado fazendo J > S. J = 2 e S = 4.1. .CAPÍTULO 6.2a e da Figura 6. 6. Sendo assim.3a) quanto no OP-PV (Figura 6. J = 2 e S = 4. o método conseguiu estimar o agarramento de maneira satisfatória. Figura 6.3 Caso 3: Undershoot O terceiro caso a ser analisada é quando J < S. Analisando o diagrama de fase presente na Figura 6. percebe-se a presença tanto da componente de banda morta quanto a slip jump.1.1.2b percebe-se que os diagramas de fase estimados se assemelham bastante do real. Novamente. RESULTADOS 32 6. Os valores estimados estão presentes no Caso 04 da Tabela 6.2: Agarramento do tipo Undershoot para a abordagem 01.4 Caso 4: Overshoot Diferente do que acontece no caso de undershoot. (a) OP x MV. Quando isso ocorre. A essa situação dá-se o nome de agarramento do tipo undershoot. foram utilizados os valores J = 6 e S = 2 para simular essa falha. Fato que pode ser confirmado no Caso 03 da Tabela 6.3b). no overshoot a saída do processo ultrapassa o sinal de controle. Tanto no diagrama OP-MV (Figura 6. Os parâmetros escolhidos para essa simulação foram J = 2 e S = 4.

RESULTADOS 33 (a) OP x MV. Para esse caso foram usados os parâmetros J = 6 e S = 6. J = 4 e S = 4.4b.1. 6.1. Mais uma vez o método proposto se mostrou eficiente e conseguiu estimar os valores de S e J com uma boa precisão. como pode ser visualizado no Caso 05 da Tabela 6. Figura 6.4: Agarramento sem offset para a abordagem 01. J = 6 e S = 3. (b) OP x PV. (b) OP x PV. Uma vez que a válvula supera a força de atrito. J = 6 e S = 3. Figura 6.3: Agarramento do tipo Overshoot para a abordagem 01.CAPÍTULO 6. o caso onde não há offset entre o sinal de controle e a saída do processo. ela acompanha exatamente o sinal de controle.4a e 6. Os resultados da simulação estão presentes nas figuras 6. ou seja. . J = 4 e S = 4.5 Caso 5: Sem offset A última situação de agarramento é o caso onde J = S. (a) OP x MV.

5 −0.1214 2.CAPÍTULO 6. porém em alguns casos o resultado já não foi tão satisfatório.0143 0.9879 6.1566 0.4 0.1214 0.8 0 OP x MV Real OP x MV Estimado 1 1. Figura 6.8 (a) OP x MV.9052 1. percebe-se que a rede neural não foi capaz de aproximar os valores reais tão bem quanto nas outras situações.4 −0.1.6 0.2 0 0.0121 0.5: Configuação de Agarramento para a abordagem 01: J = 2 e S = 4.0174 0.9826 3.2128 0.4 0.4560 0. Neste caso.6 −0.0344 0. mostrada na Figura 6.2 −0.4051 Caso 01 Caso 02 Caso 03 Caso 04 Caso 05 Caso 06 .4051 Erro 0. o erro foi superior a 10%.4 −1 −0.6 0.4 −0.5 0.1: Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 01.2 0.1. 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 0.8 −1. Tabela 6. (b) OP x PV.0344 0.7872 2.6 Caso 06: Outras Situações A técnica de Centroide obteve resultados bem expressivos na maioria das situações.1222 0.6 −0.8 −0.5.2157 0.4 0.5 OP x PV Real OP x PV Estimado −0.6 0.6 −0.2 0.0948 0.1566 0. Analisando a configuração J = 2 e S = 4 .2 0 −0.0143 4. 0.5 −0.2157 3. RESULTADOS 34 6.8 0. como pode ser observado no Caso 06 da Tabela 6.2 0 0.5440 4.8 −0.1222 3.

a RNA resultante possui 6 pontos em sua camanda entrada. ou seja. sem a presença de não linearidades na válvula. foi calculada a Transformada de Fourier do sinal obtido e em seguida foram extraídas apenas as 3 frequências mais relevantes. Após a aquisição desses valores. Os parâmetros escolhidos para essa simulação foram J = 2 e S = 3. a partir dos valores estimados pode-se inferir que a válvula do sistema está funcionando de maneira correta. A rede treinada foi validada utilizando novos valores que não haviam sido mostrados durante o processo de treinamento.6a e 6. O segundo caso a ser analisada é o agarramento do tipo undershoot. a situação quando J < S. Esses diagramas mostram como o sistema comportou-se com os valores reais de S e J e com os valores estimados pela Rede Neural.2 percebe-se que os valores estimados de S e J assemelham-se bastante do real. O sinal pv foi amostrados com uma taxa de 2 amostra/segundo durante 512 segundos.2. resultando em um total de 1024 pontos. Novamente o método mostrou-se eficiente e conseguiu estimar os valores de S e J com . Os resultados obtidos são mostrados na Tabela 6. foram geradas várias configurações de agarramento variando os valores de S e J em um intervalo entre 0 e 10. foi obtido um erro médio quadrático de 10−2 . analisando a Tabela 6. RESULTADOS 35 6. Uma vez que a válvula supera a força de atrito. ou seja.Análise Espectral Para formação do conjunto de treinamento da Rede Neural é utilizada apenas a saída do processo (pv). Para esse caso foram usados os parâmetros J = 3 e S = 3. respectivamente. 10 neurônios na cada oculta e mais 2 neurônios na camada de saída. ou seja. as curvas praticamente se sobrepõe comprovando novamente que os resultados obtidos se aproximam bastante dos valores reais. Ao final desse processo. Ao final da validação. com suas respectivas amplitudes. sendo assim. Ambos os valores estimados de S e J são uma boa aproximação dos valores reais utilizados na simulação. referentes aos parâmetros S e J estimados.CAPÍTULO 6. as Figuras 6. Em ambos os gráficos. O primeiro caso analisado é quando o sistema funciona de maneira ideal. Para formar o conjunto de treinamento da rede. A seguir será apresentado como a Rede Neural treinada comportouse em algumas simulações de agarramento. ela acompanha exatamente o sinal de controle. Essa situação foi modelada escolhendo os parâmetros J = 0 e S = 0. Para facilitar a visualização dos resultados obtidos. Novamente. referente às 3 frequências de maior energia e suas respectivas amplitudes.2 Abordagem 02 . A próxima situação de agarramento é o caso onde J = S. o caso onde não há offset entre o sinal de controle e a saída do processo.6b mostram o diagrama de fase op-mv e op-pv.

2 0 0.6 −0.6 −0.5 0 0 −0. Os valores estimados estão presentes na Tabela 6.6 −0.2.CAPÍTULO 6.5 0 −0.6 0.5 −0.8 OP x MV Real OP x MV Estimado 0.4 1.5 −0.6 OP x MV Real OP x MV Estimado 0.8 (a) OP x MV.2 0 0.4 −0.6 0.5 OP x PV Real OP x PV Estimado 1 0. Essa situação pode ser modelada fazendo J > S.8b).4 −0.5 −0.2 0.6 −1 −0.2 0 0.2 0.6 −0. foram utilizados os valores J = 5 e S = 2 para simular essa falha. RESULTADOS 36 0. Figura 6.8 −0. (b) OP x PV.8 (a) OP x MV. (b) OP x PV.8 −1. o método conseguiu estimar o agarramento de maneira satisfatória.8 −0.6 0.4 −0.8a) quanto no op-pv (Figura 6.4 0.2 0 −0.2 e nas Figuras 6.4 −0.6 1.5 −0.2 0.2 −0. A última situação de agarramento analisada foi o agarramento do tipo overshoot.2 0.4 −0.6 −1 −0.8 −1.6 0.2 0.7: Configuração de agarramento para a abordagem 02: J = 3 e S = 3. sendo assim.8 −0.4 0.4 0.8 −0.4 0.2 0. uma boa precisão. Figura 6.4 0. 0.2 0 0. Tanto no diagrama op-mv (Figura 6. como pode ser visualizado na Tabela 6.7a e 6.8 −0.5 OP x PV Real OP x PV Estimado 1 0.8 −0.4 −0. .6: Configuração de agarramento para a abordagem 02: J = 2 e S = 3.7b.

6 −0.4 −0.6 OP x MV Real OP x MV Estimado 1.0247 0.0044 0.Centroide + Análise Espectral Inicialmente os sinais de pv e op foram amostrados a uma taxa de 2 amostras/segundo durante 512 segundo.2 0 0. Após o processo de treinamento. Sendo assim.5 OP x PV Real OP x PV Estimado 1 0.6 0.5 0 −0.0799 2.0568 5.6 −0.3 Abordagem 03 . novos valores foram utilizados para a validação da rede.8 −1. Figura 6. Tabela 6.2: Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 02.2 0 0.0114 3.2 0.1370 Erro 0.8 (a) OP x MV.8 −1 −0.9042 3.4 −0.1370 Caso 01 Caso 02 Caso 03 Caso 04 6.0958 0.0114 0. a rede neural possui em sua camada de entrada 6 pontos referente às 3 frequências mais relevantes e suas respectivas amplitudes.5 −0.8: Configuração de agarramento para a abordagem 02: J = 5 e S = 2. RESULTADOS 37 1 0. Esse procedimento resultou em um erro médio quadrático de 10−3 .8 −0.0044 2.0799 0. Em seguida a Transformada de Fourier do sinal resultante foi obtida e as 3 frequências de maior energia foram utilizada para formar o conjunto de treinamento da RNA. foi calculada a distância de cada ponto ao centroide dos dados. S J S J S J S J Real 0 0 3 2 3 3 2 5 Estimado 0. referentes aos parâmetros S e J.8 0.4 0.6 −0.4 0.4 0.0216 2.2 −0.0568 0.2 0 0.2 0.6 0. Após a aquisição desses 1024 pontos.0216 0. valor menor do que o obtido nas outras duas abordagens.5 −1 −0.0247 0.CAPÍTULO 6. (b) OP x PV. .8 −0. 10 neurônios na camada oculta e mais 2 neurônios na camada de saída.4 −0.

(b) OP x PV.4 0.3.9. Seguindo o mesmo raciocíneo das outras abordagens.CAPÍTULO 6.8 −0.11 e os valores estimados podem ser visualizados na Tabela 6.2 0. Com a utilização da abordagem em questão.6 −0.4 0.4 OP x MV Real OP x MV Estimado 1.5 0 0 −0. RESULTADOS 38 Será mostrada a seguir a reposta da rede treinada para algumas configurações de agarramento.10 e 6.5 1 (a) OP x MV.2 0 0.5 −2 −1 OP x PV Real OP x PV Estimado 0.5 OP x PV Real OP x PV Estimado 1 0.6 0.8 −1 −0.4 2 1.2 −0. 0. além de alcançar resultados mais precisos.6 0. foi possível obter uma arquitetura mais reduzida.6 −0.2 0 −0.5 1 0.9: Configuração de agarramento para a abordagem 03: J = 2 e S = 4.4 −1 −0.5 −0.5 0.2 0.8 (a) OP x MV. Outras três configurações de agarramento são mostradas nas figuras 6.6 −0. (b) OP x PV. quando comparados com as outras .2 0 0.5 −0.5 0 0. o grau de agarramento de uma válvula.4 −1 −1.3.6 OP x MV Real OP x MV Estimado 0. Figura 6. 0.5 0 0. Assim como as outras duas técnicas.5 1 −0.8 −0.4 −0. Os valores estimados podem ser observados no Caso 01 da Tabela 6.6 0.8 0.10: Configuração de agarramento para a abordagem 03: J = 3 e S = 3. 6.8 −0. a primeira situação analisada é caso onde é desconsiderada a não linearidades na válvula de controle.8 −1. a abordagem em questão foi capaz de quantificar.2 0 −0.4 −0. de maneira satisfatória.6 −0.5 −0.2 −0. Figura 6.

0112 Caso 01 Caso 02 Caso 03 Caso 04 duas abordagens apresentadas nesse capítulo.5 −0.5 1 (a) OP x MV.5 1 OP x PV Real OP x PV Estimado 0.0015 0. Tabela 6.0623 2.5 OP x MV Real OP x MV Estimado 1 2 1.9055 3. .0117 0.9883 2.0087 0.5 0 0 −0.5 0.0945 0.5 −1 −1 −1. S J S J S J S J Real 0 0 4 2 3 3 3 6 Estimado 0.9913 5.0013 0.CAPÍTULO 6. Resultando assim em uma técnica bem mais robusta e eficiente para a quantificação de agarramento em válvulas posicionadoras.5 −1 −2 −1 −0. Figura 6. RESULTADOS 39 1.5 0 0.1151 2. (b) OP x PV.5 0 0.9888 Erro 0.3: Comparação dos Valores Reais e Estimados de S e J para Várias Configuração de Agarramento para a Abordagem 03.0015 0.1151 0.11: Configuração de agarramento para a abordagem 03: J = 3 e S = 6.0623 0.5 1 −0.5 −1.0013 3.

Essa abordagem de detecção de falhas pode ser aplicada a vários processos industriais modernos. Porém. As principais vantagens desse método é não necessitar do conhecimento da dinâmica do processo analisado. . Na primeira abordagem uma técnica baseada no cálculo do centroide foi desenvolvida. Na segunda se abordagem desenvolveu uma técnica baseada na análise espectral apenas do sinal pv do processo. sendo necessário as informações da saída do controlador (op) e da saída do processo (pv). uma vez que ela reflete a realidade industrial onde a posição da válvula é muitas vezes desconhecida. na última abordagem uniu-se o cálculo do centroide dos dados à analise espectral para desenvolver uma técnica mais eficiente capaz de quantificar o grau de agarramento em válvulas posicionadoras. O método foi testado em diversas configurações de agarramento em um modelo simulado e se mostrou eficiente em detectar e quantificar a falha em processos industriais. Foram propostas três abordagem para o treinamento da rede neural. Isso tem ocorrido devido à enorme quantidade de informação disponibilizada para o operador. E por fim. espera-se que no futuro a posição da válvula seja uma informação de fácil acesso. Esse trabalho apresentou um método online baseado em Redes Neurais Artificiais para detectar e quantificar o grau de agarramento em válvulas posicionadoras. que se vê impossibilitado de diagnosticar um eventual problema no processo e realizar alguma ação preventiva/corretiva em tempo hábil. assim como não é preciso medir a posição da válvula. que pode ser enquadrado como uma funcionalidade do AEM. o que possibilitaria o desenvolvimento de algoritmos bem mais precisos e confiáveis.Capítulo 7 Conclusões O Gerenciamento de Eventos Anormais (AEM) é um tema que vem tendo cada vez mais relevância no cenário da automação industrial.

7. Uma técnica que poderia ser utilizada seria o algoritmo do "Cirurgião Neural Ótimo"[Haykin & Engel 2001]. CONCLUSÕES 41 7.CAPÍTULO 7. na seção de Work in Progress. • Avaliar a utilização de Redes Neurais Recorrentes. alguns pontos que serão desenvolvidos até a versão final dessa dissertação: • Analisar a arquitetura da Rede Neural utilizada a fim de encontrar a menor configuração possível. A seguir. foram obtidas as seguintes publicações relacionadas a esta dissertação: • "Detecção e Diagnóstico de Agarramento em Válvulas Posicionadoras. a proposta ainda pode receber melhorias e adaptações para serem desenvolvidas. • "Artificial Neural Network Approach for Detection and Diagnosis of Valve StictionEmerging Technologies & Factory Automation 2012 (ETFA).1 Trabalhos Futuros Apesar de trazer diversas contribuições.2 Publicações Associadas Até o presente momento.Congresso Brasileiro de Automática 2012 (CBA). . Isso viabilizaria embarcar a rede treinada em dispositivos com pouca capacidade de memória. • Validar o método proposto fazendo uso de dados reais de processos industriais.

F.A. Control Engineering Practice 16(10). 1395 – 1412.Honeywell’s experience. Aurélio Buarque (1993). N. Tucson.Referências Bibliográficas Bailey.A. Choudhury. W. Control Engineering Practice 14(12). 153–186.ADCHEM 2009. 283–294. Increasing customer value of industrial control performance monitoring . ‘Dreams vs. Bookman. Haykin. Bialkowski. S. Claudio (2008). detection and quantification’. 86–90. Editora Positivo.A. Journal of Process Control 18. Control Engineering Practice 7(10). & J. ‘Automatic detection and quantification of stiction in control valves’. Arizona.A. M. Control Engineering Practice 20(4). Simon & Paulo M. M. M. CPC-6’. Choudhury. M. J. & R. Thornhill & David S. Shoukat. Farenzena. Shah (2005). Choudhury. L. reality: A view from both sides of the gap’.A.O. 232 – 243. Dicionário Aurélio da Língua Portuguesa. N. Shah. Control Engineering Practice 13(5). 379 – 385. ‘Modelling valve stiction’. Trierweiler (2012). modelling. Shoukat.A. Miller (2002). pp. Special Section: IFAC Symposium on Advanced Control of Chemical Processes . 42 . Shook (2006). ‘Valve stiction estimation using global optimisation’. Mridul Jain & Sirish L. ‘From desktop to plant floor. Brasil. Control Engineering pp. Shoukat. Rio de Janeiro. de Holanda Ferreira.’.F. a crt is the control operators window on the process. Shah (2008). Control systems pp. Horch. S. Alexander (1999). 3a edição. (1984). 641 – 658.L. ‘A simple method for detection of stiction in control valves’. L. 1231 – 1243. ‘Stiction: definition. Garcia. ‘Comparison of friction models applied to a control valve’.L. Redes neurais : princípios e prática. Engel (2001). (1992). 1221 – 1231. Thornhill & S. Desborough. em ‘Preprint of Chemical Process Control.

Diego Rodrigo Cabral (2008). Discrete-Time Signal Processing (2nd Edition) (Prentice-Hall Signal Processing Series). ‘An overview of control performance assessment technology and industrial applications’. RN. SP. Identificação de processos não lineares e quantificação de atrito em válvulas de controle. 2a edição. Journal of Process Control 18. Ronald W. Leitão. Surya N. Venkat. Raghunathan Rengaswamy. Oppenheim. UFRN. Mohieddine (2008). Romano. Luiz Affonso Guedes & Diego R.REFERÊNCIAS BIBLIOGRÁFICAS 43 Isermann. Buck (1999). Kewen Yin & Surya N. ‘A review of process fault detection and diagnosis: Part II: Qualitative models and search strategies’. Computers and Chemical Engineering 27(3). Fábio Soares de. 293 – 311. Springer. RN. Raghunathan Rengaswamy. Jelali. Rodrigo Alvite (2010). Kavuri (2003). 327 – 346. Venkat. (2005). Control Engineering Practice 14(5). Digital Image Processing. Universidade Federal do Rio Grande do Norte. 441 – 466. Venkatasubramanian. Kavuri & Kewen Yin (2003). Raghunathan Rengaswamy & Surya N Kavuri (2003). 313 – 326. Natal. NC. Venkat. Prentice Hall. Venkatasubramanian. Universidade Federal do Rio Grande do Norte. Silva. His Publisher. Dissertação de mestrado. ‘A review of process fault detection and diagnosis: Part III: Process history based methods’. Fault-Diagnosis Systems: An Introduction from Fault Detection to Fault Tolerance. EPUSP. Mohieddine (2006).. ‘Estimation of valve stiction in control loops using separable least-squares and global search algorithms’. Tese de doutorado. 632 – 642. Computers and Chemical Engineering 27(3). Computers and Chemical Engineering 27(3). . R. Lima. Escola Politécnica da Universidade de São Paulo. Venkatasubramanian. UFRN. Gustavo Bezerra Paz (2008). Dissertação de mestrado. ‘A review of process fault detection and diagnosis: Part I: Quantitative model-based methods’. Algoritmos para análise de alarmes em processos petroquímicos. Sistema de Detecção e Isolamento de Falhas em Sistemas Dinâmicos Baseados em Identificação Paramétrica. Erewhon. Jelali. São Paulo. Silva (2011). Alan V. Schafer & John R. Natal.