Aplicação de redes neuronais artificiais à deteção e isolamento de falhas em processos industriais

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia MecânicaOs processos industriais são cada vez mais tecnologicamente complexos. Os requisitos de competitividade impostos pelo mercado obrigam as condições de eficiência e operacionalidade próximas dos limites máximos da sua capacidade produtiva. Por outro lado, as paragens intempestivas dos mesmos resultam normalmente em perdas de produção, degradação da qualidade do produto final, danificação dos equipamentos, podendo dar origem a catástrofes ambientais com eventuais perdas de vidas humanas. Estas são principais razões que motivaram a realização deste trabalho e conduziu a esta dissertação. Tem como objetivo, o estudo aplicabilidade de Redes Neuronais Artificiais (RNAS), na deteção e isolamento de falhas que ocorrem em atuadores, utilizados no controlo automático de processos industriais, em tempo real. Permitem que o processo continue a operar de forma controlada, mesmo depois de alguma falha se ter manifestado em algum dos seus atuadores, ou eventualmente, efetuar uma paragem controlada do processo se tal situação ocorrer e não houver capacidade de tolerância á falha em análise. Neste estudo, foi utilizado um reator continuamente agitado (RCA), com nível e temperatura controlados no seu interior, através de duas malhas de controlo e reciclagem parcial do produto final é através de um permutador de calor. Foram simuladas falhas abruptas e incipientes em duas válvulas de regulação, sendo utilizada uma RNA do tipo feedforward, para deteção e isolamento, em tempo real, das falhas simuladas no processo acima mencionado. A RNA foi treinada offline apenas com sintomas de falhas abrutas. O RCA foi simulado com o seu modelo dinâmico utilizando a plataforma computacional MatLab/Simulink, sendo a RNA implementada e treinada com a toolbox de Redes Neuronais do MatLab. O sucesso dos resultados obtidos com os trabalhos de simulação permite perspetivar a utilização de RNAS em situações reais, envolvendo processos industriais de elevada complexidade tecnológica sobretudo, quando é desejável uma atempada deteção e isolamento de falhas, antes de ocorrerem paragens não programadas do processo sobre supervisão.Abstract: Industrial processes are increasingly technologically complex. The competitiveness requirements imposed by market conditions require efficiency and operation close to the limits of its production capacity. On the other hand, unscheduled stoppages of them usually result in yield losses, degradation of quality of the final product, damage to equipment, may lead to environmental disasters with possible loss of life. The above reasons motivated the work leading to the writing of this dissertation, which aimed to study of the applicability of Artificial Neural Networks (ANN) for detection and isolation of faults occurring in actuators used in automated industrial process control, in real time, allowing the process to continue to operate in a controlled manner even after a failure has manifested itself in some of its actuators, or possibly make a controlled process shutdown if such a situation arises and there is no ability for fault tolerance. In this study, a continuous stirred reactor (CSTR) was used, having controlled level and and temperature inside through two control loops and partial recycling of the final product through a heat exchanger. Abrupt and incipient faults were considered in two control valves and a feedforward ANN has been used to detect and isolate faults in real time that have been simulated in the process mentioned above. The ANN was trained offline with only symptoms of abrupt failures. The CSTR was simulated through its dynamic model using the computational platform MatLab / Simulink and the ANN was implemented and trained using the Neural Network Toolbox of MatLab. The successful results obtained with the simulation works performed allows to perspective the use of ANNs in real situations involving industrial processes of high technological complexity where early fault detection and isolation is desirable before unscheduled process shutdowns