Os sensores virtuais implementados em software podem ser utilizados em uma arquitetura maior de automação. Um trabalho futuro seria a integração destes sensores com os outros sistemas de controle em nível de chão de fábrica. Tal informação teria o mesmo efeito de uma medição real, porém, com um controle mais robusto e preciso..
REFERÊNCIAS
AGUIRRE, L.A. Introdução à identificação de sistemas : técnicas Lineares e
não-lineares aplicadas a sistemas reais. Belo Horizonte : Ed. UFMG,
2004.
ALCOA. The Smelting Paper ,
www.alcoa.com/global/en/about_alcoa/pdf/Smeltingpaper.pdf, acessado
em 24/07/2008.
ALVES, M.C.M. da S., Uso da Entropia para Treinamento em Redes Neurais
Artificiais, Trabalho de Conclusão de Curso para obtenção do diploma
de Engenheiro de Computação, Universidade Federal do Pará, 2008. AMOS, C.K., Soft Sensors win Hard Jobs,
www.chemicalprocessing.com/articles/2005/606.html acessado em 01/06/2008.
ASSIS, A.J., Filho, R.M., Soft Sensor development for online bioreactor state
estimation, Comput. Chemistry Engineering, vol.24, no 2-7 pp.1099-1103
2000.
BRANCO, M.V.B.M., OLIVEIRA, R.C.L., PEREIRA, V.G., CASTRO.M.,
DOURADO,N. Model of Electric Resistance in Reduction Cells of
Aluminum to be Applied on the Process Control TMS Light Metals
2006 – Proceedings of the Technical Sessions, 135rd Technical TMS Annual Meeting, March 9-13, San Antonio, TX. USA.
CASTRO, M.C.F. Predição Não-Linear de Séries Temporais usando Redes
Neurais RBF por Decomposição em Componentes Principais, Tese
de Doutorado em Engenharia Elétrica, Universidade Estadual de Campinas UNICAMP, 2001.
DE OLIVEIRA, R.C., SOARES, F.M., Uso de Técnicas de Inteligência
Computacional na Fabricação de Alumínio Primário, Simpósio
Brasileiro Inteligência Articial, 2007.
DEMUTH, H., BEALE, M. HAGAN, M. Neural Network Toolbox 6 User Guide, Mathworks, 10th ed., 2008.
Referências 14149
DUNN, Willian C. Fundamentals of Industrial Instrumentation and Process
Control. McGraw Hill Companies, e-Book: 0-07-146693, 2005.
FORTUNA, Luigi et al. Soft Sensors for Monitoring and Control of Industrial
Processes. Springer, 1ª ed, 2007.
FORTUNA, L., GIANNONE,P.,GRAZIANI,S., XIBILIA, M.G., Virtual Instruments
Based on Stacked Neural Networks to Improve Product Quality Monitoring in a Refinery, IEEE Instrumentation & Measurement
Magazine, vol. 56, no.1 pp.95-101, Feb. 2007.
FROST, F., KARRI, V., Performance Comparison of BP and GRNN Models of
Neural Networks Paradigm Using a Pratical Industrial Application,
IEEE Transactions Jun/1999 pp. 1069-1074.
GOLATOWSKI, F., BLUMENTAL, J., HANDY, M., HAASE, M., BURCHARDT,H., TIMMERMANN, D.., Service Oriented Architechture for Sensor
Networks, Computer Communication Proceedings Vol. 30, Issue 13,
p.2627-2648, ISSN :0140-3664, 2007.
HAYKIN, Simon Neural Networks, A Comprehensive Foundation. Prentice Hall, 2ª ed, 1999.
HAUPIN, W., KVANDE, H., Mathematical Model of fluoride evolution from Hall
Heroult Cells, TMS Light Metals, pp. 257-263, 1993.
JAMES, S.C. ; LEGGE, R.L., BUDMAN, H. On-line estimation in bioreactors : A
Review. Reviews in Chemical Engineering, v.16, n.4, p311-240, 2000.
KARNIN, E.D., A simple procedure for pruning back-propagation trained neural
networks, IEEE Transacions Jun/1990 pp.239-242.
MALAVIYA, A.V., Intelligent Controler for Aluminium Smelters, IEEE Transactions Jun/2001, pp. 792-805.
McFADDEN, F.S., BEARNE, G.P., AUSTIN, P.C., WELCH, B. J. Application of
advanced Process Control to Aluminium Reduction Cells – A Review, TMS Light Metals, Light Metals 2001 – Proceedings of the
Technical Sessions, 130rd Technical TMS Annual Meeting, February 11- 15, New Orleans, LA, USA, pp.1233-1242..
McFADDEN, F.J.S., WELCH, B.J., WHITFIELD, D., KAZACOS, M.S. Control of
Temperature in Aluminium Redution Cells – Challenges in
the Technical Sessions, 130rd Technical TMS Annual Meeting, February 11-15, New Orleans.
NOCEDAL, J., WRIGHT, S.J., Numerical Optimization, 2ed. Springer Ed. ISBN-10 : 0-387-30303-0.
OGATA, Katsuhiko Modern Control Engineering. Prentice Hall, 4ª ed, 2007. PEREIRA, V.G., OLIVEIRA, R.C.L., BRANCO, M.V.B.M., CASTRO.M.A.G.,
SOARES,F.M. Adição de Fluoreto em Cubas de Redução de Alumínio
Utilizando Lógica Fuzzy Revista C&I. Controle e Instrumentação, v.116,
pp.17-25, Jun. 2006.
PRASAD, S. Studies on the Hall-Heroult Aluminium electrowinning Process,
Journal of Brazilian Chemistry Society, May/June 2000, vol. 11, no.3, p.245-251, ISSN 0103-5053.
SANTOS, G.S.M. Aplicação de Redes Neurais para Diagnóstico de poluição em
Isoladores de Alta Tensão, Dissertação de Mestrado em Engenharia
Elétrica, Universidade Federal de Pernambuco, 2008.
SHLENS, J. Time Series Prediction with Artificial Neural Networks, Computer Science Program, 1999.
SOARES, F.M., Desenvolvimento de Modelos Neuro-Adaptados para
Propagação de Ondas em Florestas, Trabalho de Conclusão de Curso
para obtenção do diploma de Engenheiro de computação, Universidade Federal do Pará, 2006.
SOARES,F.M., OLIVEIRA, R.C.L, Inferência de Temperatura de Fornos de
Redução de Alumínio Primário através de Sensores Virtuais IX
Congresso Brasileiro de Redes Neurais,Ouro Preto-MG 25-28 de Outubro de 2009
SOARES, F.M., OLIVEIRA, R.C.L., CASTRO.M.A.G. Bath Temperature Inference
Through Soft Sensors using Neural Networks TMS Light Metals, Light
Metals 2010 – Proceedings of the Technical Sessions, 139rd Technical TMS Annual Meeting, February 14-18, Seattle, WA, USA, pp.467-472. STEARNS, Peter N. The Industrial Revolution in world history. Westview Press,
Referências 15151
WELCH, B.J. Aluminium Fluoride Consumption and Control in Smelting Cells in Proceedings 6th International Conference on Molten Slags, Fluxes and Salts (ISS), Stockholm, June 2002.
ZANATA, D.R.P. Desenvolvimento de Sensor Virtual Empregando Redes
Neurais para Medição da Composição em uma Coluna de Destilação,
APÊNDICES
Apêndices 153
APÊNDICE A DESCRIÇÃO DO PROCEDIMENTO DE
MEDIDA DE TEMPERATURA
A.1 PROCEDIMENTO
No turno de Miscelânea, a seção inteira é medida com os termopares. A equipe tem a tarefa de fazer a medição em um horário dentro do turno, que são 8 horas. A medição deve ser feita em todos os 30 fornos. Em média, leva-se de 5 a 10 minutos para medir a temperatura em um forno. Os dados são registrados em uma prancheta e posteriormente inseridos no Score. Mais tarde os técnicos de processo fazem a importação dos dados do Score para o Sisred, incluindo não apenas as medidas de temperatura como também os resultados das amostras dos fornos.
Figura A 1 Resumo do Procedimento de medida de Temperatura
O procedimento consiste em inserir o termopar entre os anodos 4 e 5, 5 e 6, 13 e 14 ou 14 e 15 a uma profundidade de 20 cm. Para tal, será necessário um rompimento da crosta através de britadeiras.
Figura A 2 Layout dos Anodos na cuba
O termopar começa a medição e dura cerca de 5 minutos para se estabilizar. O Valor é anotado e o termopar é retirado. Espera-se mais um tempo até que o termopar se
estabilize para evitar o choques térmicos. Em seguida a medição continua nos demais fornos.
Os termopares são trocados a cada 20 medições, devido a condições hostis do eletrólito, o que pode causar muito ruído nas medições. Os conversores A/D e D/A usados são mantidos, porém são calibrados seguindo uma agenda regular.
Apêndices 155