RESUMO
O monitoramento de situações anormais em indústrias químicas ainda é um desafio. A ocorrência desses eventos é usual, porém sua detecção é geralmente posterior à evolução do processo para uma condição de falha. O objetivo deste estudo foi desenvolver um sistema confiável e automático de detecção e diagnóstico de situações anormais. O sistema de monitoramento é baseado em um classificador de padrões temporais construído a partir de uma rede neural
dinâmica do tipo TDNN (Time Delay Neural Network). Esses padrões são compostos por variáveis de processo com informação sobre o desempenho das operações. A metodologia proposta foi testada em um benchmark real, a partir de um banco de dados históricos sobre as operações de um evaporador industrial. Uma comparação inicial mostrou o seu melhor desempenho em relação à rede neural estática do tipo MLP (MultiLayer Perceptron). Na sequência, verificou-se a capacidade de generalização do sistema de monitoramento em distinguir as regiões operacionais de interesse: normal e anormais. O escore
global de classificações corretas foi de 94,9%. Por fim, atestou-se
sua capacidade de absorver as transições entre essas regiões, com
um escore global de classificações corretas de 94,1%.
Autores*: Gustavo Matheus de Almeida 1
Song Won Park 2
* Referências dos autores:
1. Dep. de Engenharia Química e Estatística, Campus Alto Paraopeba, Univ. Federal de São João del-Rei – Brasil
2. Dep. de Engenharia Química, Escola Politécnica, Universidade São Paulo – Brasil
Autor correspondente: Gustavo Matheus de Almeida. Rod. MG 443, km 07 – 36420-000, Ouro Branco, MG – Brasil.
Telefone: +55-31-37413193 – E-mail: [email protected]
