Detecção e diagnóstico de oscilações em malhas de controle

Abstract

Em indústrias de processos, a oscilação é um problema de grande incidência que degrada a rentabilidade da planta. Essas indústrias possuem tipicamente entre 500 e 5000 malhas de controle. O número elevado dificulta a inspeção individual de cada malha para a detecção de falhas o que cria a necessidade por técnicas automáticas. Nos últimos 30 anos, dezenas dessas técnicas foram propostas para a detecção e diagnóstico da oscilação, mesmo assim, suas eficiências são abaixo da desejável quando aplicadas em plantas reais. Este trabalho tem por objetivo o refinamento da literatura na detecção e diagnóstico da oscilação em indústrias de processos. Para isso, o trabalho inicia com uma revisão completa da literatura na área da detecção da oscilação com o propósito de apresentar, classificar e discutir prós e contras de cada técnica de modo a facilitar sua escolha pelo engenheiro. A seguir, dez métodos de detecção da oscilação são avaliados a dados industriais. Nota-se que a acuracidade das técnicas ainda é insatisfatória e a principal causa é a variedade de características encontradas em dados industriais. Assim, o trabalho prossegue com a proposta de três técnicas. A primeira é uma técnica de detecção da oscilação baseada em inteligência artificial onde um modelo é treinado a partir de exemplos, diferente das técnicas tradicionais baseadas algoritmos. Essa abordagem garante que a técnica cubra um maior número de características dos dados industriais. A segunda técnica objetiva a detecção e o diagnóstico simultâneo da oscilação. Para isso, o padrão dos sinais de saída do controlador e saída do processo é classificado por modelo baseado em redes neurais. A última técnica resolve um problema específico na área: o diagnóstico em sinais de baixa amostragem. O desenvolvimento da técnica foi baseado na resolução de um problema real em uma refinaria brasileira. As três técnicas propostas foram testadas a dados industriais e retornaram melhores resultados quando comparadas a técnicas tradicionais.

In process industries, oscillation is a problem of high incidence that degrades plant profitability. These industries typically have between 500 and 5000 control loops. The high number turns difficult the individual inspect of each loop for fault detection, which makes necessary the use of automatic techniques. In the last 30 years, dozens of these techniques have been proposed for oscillation detection and diagnosis, however, their efficiencies are below desirable when applied on real plants. This work aims the refinement of the literature on oscillation detection and diagnosis in process industries. For this, the work begins with a complete literature review in the area of oscillation detection with the purpose of presenting, classifying and discussing pros and cons of each technique in order to facilitate the choice by engineers. Following, ten oscillation detection methods are evaluated on industrial data. It is verified that the accuracy of the techniques is still unsatisfactory, and the main cause is the variety of characteristics found in industrial data. Thus, the work proceeds with the proposal of three techniques. The first is an oscillation detection technique based on artificial intelligence, in which a model is trained by examples, different from traditional techniques based on algorithms. This approach ensures that the technique covers a greater number of characteristics found on industrial data. The second technique aims simultaneous oscillation detection and diagnosis. For this, the pattern of the output signals of the controller and output of the process is classified by a model based on neural networks. The latter technique solves a specific problem in the area: the diagnosis in signals with low sampling. The development of the technique was based on the resolution of a real problem in a Brazilian refinery. The three proposed techniques were tested on industrial data and returned better results when compared to traditional techniques.