Aplicação do método de análise dos componentes principais (PCA) para detecção de falhas em plantas químicas

Autores

DOI:

https://doi.org/10.33448/rsd-v9i8.6335

Palavras-chave:

Monitoramento; Detecção de falhas; PCA.

Resumo

Sistemas de controle são usados na indústria química para reduzir o desvio do valor das variáveis de processo em relação ao valor desejado, conhecido como setpoint. Mesmo que os controladores convencionais ajudem a reduzir esses erros, ainda existe a possibilidade de ocorrerem falhas, que são um desvio não permitido devido a alguma propriedade característica ou parâmetros do sistema. O desenvolvimento de novas técnicas de detecção de falhas é fundamental para atender a demanda da crescente complexidade dos sistemas industriais e suas performances que visam atingir uma melhor eficiência. O objetivo desse trabalho foi aplicar o método de análise dos componentes principais ou PCA (Principal Component Analysis) para detectar falhas em plantas químicas. O PCA coleta os dados históricos do processo e constrói um modelo estatístico baseado neles, bem como permite a redução da ordem de modelos multivariável para facilitar sua implementação. Foram feitos dois estudos de caso envolvendo reator tanque agitado contínuo ou CSTR (Continuously Stirred Tank Reactor) com jaqueta de aquecimento e CSTR não-isotérmico de modo a verificar a eficiência do método proposto na detecção de falhas em sistemas de controle monitorado. Avaliaram-se falhas em sensores e sistemas submetidos a perturbações tipo degrau, mediante o PCA e as estatísticas T2 de Hotelling e Q. O método PCA mostrou-se eficiente para detectar as falhas existentes nos estudos de caso apresentados, o que indica seu potencial para aplicação em controladores da indústria química.

Biografia do Autor

Davi Leonardo de Souza, Universidade Federal do Triângulo Mineiro

Departamento de Engenharia Química (DEQ)

Referências

Alvarez, G. D. (2009). Fault detection using principle component analysis (PCA) in a wastewater treatment plant (WWTP). In: Proceedings Of The 62nd International Student’s Scientific Conference - St Petersburg, Russia.

Alkaya, A. & Eker, I. (2011). Variance sensitive adaptive threshold-based PCA method for fault detection with experimental application. ISA Transactions, v.50, 287p.

Awhangbo, L., Bendoula, R., Roger, J. M. & Béline, F. (2020). Fault detection with moving window PCA using NIRS spectra for the monitoring of anaerobic digestion process. Water Science & Technology. v.81. 367p.

Bastidas, M. E. H. (2018). Detecção e diagnóstico de falhas baseado em modelos empíricos no subespaço das variáveis de processo (EMPVSUB). Dissertação de Mestrado – Universidade Federal do Rio Grande do Sul – Porto Alegre.

Bequette, B.W. (1998). Process Dynamics – Modeling, Analysis and Simulation. New Jersey: Prentice Hall, 471p.

Bin Shams, M.A.; Budman, H.M. & Duever, T.A. (2011). Fault detection, identification and diagnosis using CUSUM based PCA. Chemical Engineering Science. v. 66, 4488p.

Britto, R.S. (2014). Detecção de falhas com pca e pls aplicados a uma planta didática. Dissertação de Mestrado - Universidade Federal de Sergipe – UFS. São Cristovão.

Chiang, L. H.; Russel, E. L. & Braatz, R. D. (2001). Fault Detection and Diagnosis in Industrial Systems. Springer: London.

Isermann, R. (1997). Supervision, fault-detection and fault-diagnosis methods: An introduction. Control Engineering Practice. v. 15, n. 5, 639p.

Jing, C. & Hou, J. (2015). SVM and PCA based fault classification approaches for complicated industrial process. Neurocomputing. v.167. 636p.

Li, W., Peng, M., Wang, Q. (2018). Improved PCA method for sensor fault detection and isolation in a nuclear power plant. Nuclear Engineering and Technology. v.51. 146p.

Pereira A.S. et al. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Disponível em: https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.

Reis, L. L. G. (2008). Controle Tolerante com Reconfiguração Estrutural Acoplado a Sistemas de Diagnóstico de Falhas. Dissertação de Mestrado. Universidade Federal de Uberlândia-UFU. Uberlândia.

Sánchez-Fernández, A., Baldán, F. J., Sainz-Palmero, G. I., Benítez, J. M. & Fuente, M. J. (2018). Fault detection based on time series modeling and multivariante statistical process control. Chemometrics and Intelligent Laboratory Sistems. v.182, 57p.

Souza, D. L. (2011). Metodologia para o Monitoramento de Sistemas de Controle na Indústria Química. Tese de Doutorado. Universidade Federal de Uberlândia. Uberlândia.

Souza, D. L., Granzotto, M. H., Almeida, G. M. & Lopes, L. C. O. (2014). Fault detection and diagnosis using support vector machines: A SVC and SVR comparison. Journal of Safety Engineering. v.3, 18p.

Tidriri, K., Chatti, N., Verron, S. & Tiplica, T. (2016). Bridging data-driven and model-based approaches for process fault diagnosis and health monitoring: A review of researches and future challenges. Annual Reviews in Control. v.42, 63p.

Venkatasubramanian, V., Rengaswamy, R., Yin, K. & Kavuri, S. N. (2003). A review of process fault detection and diagnosis Part I: Quantitative model-based methods. Computers and Chemical Engineering. v.27, 293p.

Venkatasubramanian, V. Rengaswamy, R., Kavuri, S. N. & Yin, K. (2003). A review of process fault detection and diagnosis Part III: Process history based methods. Computers and Chemical Engineering. v.27, 327p.

Yang, X. B.; Jin, X. Q.; Du, Z. M. & Zhu, Y. H. (2011). A novel model-based fault detection method for temperature sensor using fractal correlation dimension. Building and Environment. v.46, 970p.

Downloads

Publicado

03/08/2020

Como Citar

MENDES, T. F.; SOUZA, D. L. de. Aplicação do método de análise dos componentes principais (PCA) para detecção de falhas em plantas químicas. Research, Society and Development, [S. l.], v. 9, n. 8, p. e957986335, 2020. DOI: 10.33448/rsd-v9i8.6335. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/6335. Acesso em: 17 jul. 2024.

Edição

Seção

Engenharias