Escolar Documentos
Profissional Documentos
Cultura Documentos
À minha família,
Amigos,
E futuros filhos.
ii
Agradecimentos
iv
Epígrafe
Salmo 23
vi
Resumo
viii
Abstract
This paper presents the artificial neural networks as a support tool for
the heating control of a coke oven. To this end, was used information such
as temperatures in the combustion chamber and the adjustment of flowing
devices of volatile material that feeds the battery. Was proposed a direct
model which estimates the temperature profile of each furnace from the
settings of the air and gas flowing devices. It also presents an inverse model
that, from a specific temperature profile, estimates the adjustment of the
devices which injects the gaseous material . For the data filtering, was
used the Grubbs’ criterion as tool, which was responsible for eliminate a
great part of the noisy information. Boh the direct and the inverse model
were able to represent the system adequately. The statistics validation
showed that the modeling residue behaved as a random variable, which
is not autocorrelated. With the cross correlation between the output of
the neural network and the response of the real system, it was possible to
obtain results that shows strong consistency between the responses of the
obtained models and the responses of real system.
x
Sumário
Resumo v
Abstract vi
Lista de Tabelas xi
Lista de símbolos xv
1 Introdução 1
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Propostas Atuais . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 O Projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Fundamentação Teórica 11
2.1 Coqueria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Fornos de Câmaras com Recuperação de Subprodutos 13
2.1.1.1 Gases Combustíveis . . . . . . . . . . . . 14
2.1.2 Ciclo Operacional . . . . . . . . . . . . . . . . . . . 20
2.1.3 Preparação da Mistura de Carvões . . . . . . . . . 21
2.1.3.1 O Enfornamento . . . . . . . . . . . . . . 21
xii
xiii
3 Metodologia 63
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Pressupostos e Estratégias Adotadas . . . . . . . . . . . . 63
3.3 Filtragem dos Dados . . . . . . . . . . . . . . . . . . . . . 66
3.4 Análises Estatísticas . . . . . . . . . . . . . . . . . . . . . 70
3.5 A Rede Neural . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5.1 Treinamento e Validação da Rede . . . . . . . . . . 71
4 Resultados e Discussões 73
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Filtragem dos Dados . . . . . . . . . . . . . . . . . . . . . 74
4.3 Modelo Direto . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1 Histograma e Análise de Correlação . . . . . . . . . 76
4.3.2 Simulação e Validação da Rede . . . . . . . . . . . 79
4.4 Modelo Inverso . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4.1 Histograma e Análise de Correlação . . . . . . . . . 82
4.4.2 Simulação e Validação da Rede . . . . . . . . . . . 86
4.5 Os Aplicativos Desenvolvidos . . . . . . . . . . . . . . . . 89
4.5.1 Aplicativo para o Modelo Direto . . . . . . . . . . . 89
4.5.2 Aplicativo para o Modelo Inverso . . . . . . . . . . 92
xv
5 Conclusões 96
Referências Bibliográficas 97
Lista de Tabelas
xvii
Lista de Figuras
xix
xx
xxiii
xxiv
Introdução
KO; HWANG; LEE, 2006; GAO; CAI; YU, 2006; GUO; GONG; CHENG,
2004; JIANG et al., 2010; NOMURA; ARIMA, 2008).
1.1 Objetivos
fácil perceber que tais resultados só podem ser alcançados com um controle
de aquecimento adequados dos fornos, evidenciando a importância de uma
estratégia de controle eficiente para este fim.
Foi proposto por Ko, Hwang e Lee (2006) uma técnica para o
diagnóstico do controle da combustão de uma coqueria utilizando lógica
fuzzy. Segundo os autores, usualmente utiliza-se um modelo matemático
convencional para controlar a combustão dos fornos de coque a partir
do ajuste do volume de gás injetado na bateria. Porém, esse modelo
não apresenta resultados satisfatórios em função da alta não linearidade
dos fornos. Como solução, é proposto um conjunto de técnicas baseadas
em lógica fuzzy responsáveis por construir um modelo de diagnóstico
do controle de combustão de uma coqueria. Para isso, com medições
5
Também conhecida como lógica difusa, a lógica fuzzy é uma extensão da lógica
booleana que admite valores entre 0 e 1. Com isso, estados indeterminados podem ser
tratados por um dispositivo de controle, uma vez que este tipo de aplicação diz respeito
ao tratamento da incerteza (JANG; SUN, 1997).
1.2 Propostas Atuais 6
6
Método computacional iterativo de otimização onde um enxame de partículas
é gerado aleatoriamente em um determinado espaço de busca. Cada partícula
corresponde a uma possível solução, representada por sua posição no espaço de busca
para um dado problema. Para maiores detalhes, vide (SICILIANO, 2007).
7
Índice que representa o nível de carbonização do carvão mineral (JIANG et al.,
2010).
1.2 Propostas Atuais 7
8
Normalmente o uso da lógica fuzzy está associado ao uso de um conjunto fuzzy.
Este, por sua vez, permite que um elemento possa ter um grau de pertinência variando
entre 0 e 1, ao invés de pertencer ou não a um dado conjunto. Logo, para cada conjunto
é criada uma função de pertinência, que indica o grau de pertinência de seus elementos.
Normalmente esta função representa uma imprecisão (QI; MIN, 2007).
1.3 O Projeto 8
1.3 O Projeto
9
De MATrix LABoratory, o Matlab é um software iterativo voltado para o cálculo
numérico. Permite a manipulação de matrizes, manipulação de funções e dados,
implementação de algoritmos, e até mesmo a criação de interfaces gráficas a partir
de outras linguagens de programação, como C, C++ e Fortran.
10
Ambiente de programação orientada a objeto no Matlab. Para maiores informações
visite http://www.mathworks.com.
1.3 O Projeto 10
Fundamentação Teórica
2.1 Coqueria
O aço é uma das ligas metálicas mais utilizadas pelo homem em função
do seu custo e versatilidade. Desta forma, é possível construir desde
minúsculas peças, como engrenagens de relógios, até grandes estruturas,
como pontes, navios, aviões e edifícios. As propriedades eletromecânicas
do aço são um fator determinante para tais aplicações, podendo-se citar:
• Densidade;
• Expansão térmica;
• Resistividade elétrica;
• Elasticidade;
Figura 2.2: (a) Foto de um forno aberto, (b) foto de fornos vistos da parte
frontal da baterial, (c) fornos vistos da parte de trás da bateria (RIZZO,
2005).
Pode-se notar que, dos três gases utilizados como combustível nas
2
Tipo de forno revestido com tijolos refratários, responsável pela transformação do
ferro gusa e da sucata em aço (ARAúJO, 1967).
2.1 Coqueria 16
Composição COG %
H2 46,0 - 31,0
CO 4,0 - 8,5
CH4 21,0 - 30,0
C2 H4 1,5 - 3,0
CO2 1,0 - 4,0
N2 3,6 - 26,0
O2 0,3 - 1,7
Composição BFG %
H2 1,5 - 8,0
CO 20,0 - 36,0
CH4 0,0 - 1,0
CO2 3,5 - 30,0
N2 45,0 - 61,0
O2 acima de 0,2
Composição LDG %
H2 0,6 - 1,5
CO 68,0 - 72,0
CO2 3,5 - 13,0
N2 14,0 - 17,0
O2 0,0 - 0,5
de ser um gás capaz de gerar calor com certa eficiência, conta com uma
proporção de monóxido de carbono considerável em sua formação (tabela
2.3). Isto faz do LDG um gás mais tóxico do que os demais. Já o
BFG apresenta baixo poder calorífico e aproximadamente 28% de sua
composição é CO (tabela 2.2).
2. Enfornamento;
3. Aquecimento;
4. Desenfornamento;
5. Apagamento;
6. Preparação do coque;
2.1.3.1 O Enfornamento
Vale lembrar que as figuras 2.12 e 2.11 têm como objetivo representar
didaticamente os dispositivos de controle de vazão do material gasoso
injetado em uma parede de aquecimento. Alguns elementos, como os
regeneradores, não estão representados nas figuras.
28
aquecimento composta por 8 câmaras de combustão. A parede não apresenta a parte superior, afim de melhorar a
visualização.
FONTE: O autor.
2.1 Coqueria 29
Segundo Filho (2007), para a utilização no alto forno, o coque deve ser um
combustível sólido, rico em carbono e que, através de sua queima, forneça
a energia térmica necessária para que aconteçam as reações químicas de
redução do minério de ferro. Além disso, este combustível deve apresentar
resistência mecânica e granulometria adequadas a fim de suportar a carga
e permitir a ascensão dos gases gerados no processo (ARAúJO, 1967).
3. Troca de orifícios;
Pn
i=1 C̄i
Tµ = , (2.1)
n
podem variar de acordo com o modelo da bateria, uma vez que esta se
encontra em constante desenvolvimento para melhor aproveitamento do
material utilizado e das matérias primas, reduzindo assim os custos de
produção.
2.2.1 Introdução
m
X
uk = wkj xj + bk (2.2)
j=1
yk = ϕ(vk ) (2.3)
em que x1 , x2 , ..., xm são os sinais de entrada; wk1 , wk2 , ..., wkm são os pesos
sinápticos do neurônio k; bk é o bias; vk é a saída da junção aditiva, ou seja,
um combinador linear aos sinais de entrada; ϕ(.) é a função de ativação e
yk é o sinal de saída do neurônio.
1
LogSig(v) = (2.5)
1 + exp(−av)
1 − exp(−av)
T anSig(v) = , (2.6)
1 + exp(−av)
comporta como uma função degrau. Como mostra a figura 2.17, a função
assume valores contínuos entre 0 e 1. Tal propriedade faz com que a
função sigmóide seja uma das mais aplicadas às redes neurais, visto que
grande parte dos sistemas a serem modelados apresentam este tipo de
comportamento.
O sinal de erro ek (n) é o sinal da base de todo o controle dos ajustes dos
pesos sinápticos. Tais ajustes são produzidos com o intuito de aproximar
passo a passo a saída yk (n) da resposta desejada dk (n). Para isso, busca-se
a minimização da função de custo, ou índice de desempenho ǫ(n), definido
em termos do sinal de erro ek (n) como:
1
ǫ(n) = e2k (n) (2.8)
2
X
δj (n) = φ(vj (n)) δ(n)wkj (n) (2.13)
k
derivadas parciais de primeira ordem de uma função vetorial. Para isso, é necessário a
existência das derivadas parciais da função (CASELLA, 2010).
2.3 Análise de Dados 48
2.3.1 Introdução
• Redução de custos;
• Controle e automação.
PN
i=1 xi
µ= (2.15)
N
s
PN
j=1 (Xj − X̄)2
σ= (2.16)
N
1 (x−µ)2
f (x) = √ e− 2σ 2 (2.17)
2πσ 2
max|Yi − µY |
G= (2.18)
σ
µY − Ymin
G= (2.19)
σ
onde Ymin representa o menor valor. Agora para testar se o valor máximo
é um outlier tem-se:
Ymax − µY
G= (2.20)
σ
onde Ymax é o valor máximo das amostras. No teste das duas faces, a
hipótese da não existência de outlier é rejeitada ao nível de significância
α se
v
t2α/(2N ),N −2
u
N − 1u
G> √ t (2.21)
N N − 2 + t2α/(2N ),N −1
2.3.6 Correlação
é definida como:
Z T
rxy (τ ) = lim x(t)y(t + τ )dt, (2.23)
T →∞ −T
N
1 X
rxy (k) = lim u(i)y(i + k), (2.24)
T →∞ 2N + 1
i=−N
N
1 X
rxx (k) = lim u(i)u(i + k). (2.25)
N →∞ 2N + 1
i=−N
9
Suposição que permite que a média seja tirada entre diversas realizações ao invés
de se tomar a média no tempo. Logo a esperança matemática pode ser substituída
pela média temporal (AGUIRRE, 2007).
2.3 Análise de Dados 60
P P P
n xy − ( x)( y)
ρ= p P P p P P , (2.28)
n( x2 ) − ( x)2 n( y 2 ) − ( y)2
qP
N
k=1 [y(k) − ŷ(k)]2
RMSE = qP (2.29)
N
k=1 [y(k) − ȳ(k)]2
Metodologia
3.1 Introdução
A filtragem dos dados foi feita câmara por câmara, sendo que cada uma
delas possui no mínimo 2 ajustes prováveis de orifícios. Por este motivo,
estabeleceu-se um critério de filtragem que considera cada diâmetro
possível dos jetpipes de cada câmara. A figura 3.5 mostra o fluxograma
do algoritmo de filtragem utilizado.
Uma rede neural artificial foi utilizada para obter um modelo que
representa parte do comportamento estático dos fornos da bateria de uma
coqueria. Os dados disponíveis para tal são:
1
Diferença entre uma curva real e uma curva estima (AGUIRRE, 2007).
Capítulo 4
Resultados e Discussões
4.1 Introdução
dos dispositivos de vazão dos fornos. São estes os diâmetros dos orifícios
de vazão de ar e gás que alimentam as câmaras de combustão e a abertura
das válvulas Rb de ar e Rb de gás.
não foi feito nenhum ensaio específico para se obter informações mais
adequadas do processo.
4.3 Modelo Direto
Tabela 4.1: Correlação cruzada entre os dados de entrada (Orifícios e Rb’s) considerados para o modelos direto.
Orifícios Orifícios Rb’s
2 3 4 5 6 7 8 9 10 11 12 13 14 Ar Gás
2 1,0 0,7 0,3 0,2 0,3 0,2 0,0 0,2 0,2 0,1 0,3 0,3 0,3 0,1 0,3
3 0,7 1,0 0,2 0,1 0,2 0,1 0,2 0,1 0,2 0,1 0,3 0,3 0,3 0,1 0,3
4 0,3 0,2 1,0 1,0 0,9 0,9 0,4 0,9 0,9 0,8 0,3 0,2 0,1 0,2 0,5
5 0,2 0,1 1,0 1,0 0,9 0,9 0,4 0,9 0,9 0,8 0,3 0,2 0,1 0,2 0,5
6 0,3 0,2 0,9 0,9 1,0 1,0 0,2 0,9 0,9 0,7 0,3 0,2 -0,1 0,2 0,5
7 0,2 0,1 0,9 0,9 1,0 1,0 0,3 1,0 1,0 0,8 0,3 0,2 -0,1 0,2 0,4
8 0,0 0,2 0,4 0,4 0,2 0,3 1,0 0,3 0,4 0,5 0,2 0,2 0,3 0,1 0,2
9 0,2 0,1 0,9 0,9 0,9 1,0 0,3 1,0 1,0 0,8 0,3 0,2 -0,1 0,2 0,4
10 0,2 0,2 0,9 0,9 0,9 1,0 0,4 1,0 1,0 0,9 0,4 0,2 -0,1 0,2 0,4
11 0,1 0,1 0,8 0,8 0,7 0,8 0,5 0,8 0,9 1,0 0,3 0,2 0,0 0,1 0,3
12 0,3 0,3 0,3 0,3 0,3 0,3 0,2 0,3 0,4 0,3 1,0 0,8 0,3 0,2 0,4
13 0,3 0,3 0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,2 0,8 1,0 0,6 0,2 0,3
14 0,3 0,3 0,1 0,1 -0,1 -0,1 0,3 -0,1 -0,1 0,0 0,3 0,6 1,0 0,1 0,2
Rb Ar 0,1 0,1 0,2 0,2 0,2 0,2 0,1 0,2 0,2 0,1 0,2 0,2 0,1 1,0 0,4
Rb Gás 0,3 0,3 0,5 0,5 0,5 0,4 0,2 0,4 0,4 0,3 0,4 0,3 0,2 0,4 1,0
78
4.3 Modelo Direto 79
De acordo com a figura 4.4 e a figura 4.5, a rede treinada foi capaz de
estimar com certa precisão a variável temperatura nos fornos considerados.
Pode-se notar que, em algumas câmaras (figura 4.4), a temperatura real
apresentou baixas amplitudes, as quais o modelo não foi capaz de predizer.
Este comportamento pode estar relacionado com o fato da existência de
alguma limitação física no sistema de injeção do gás e/ou do ar, uma
vez que o modelo neural não incorpora tal informação. Pode ser que os
orifícios estejam obstruídos, impedindo o fluxo do material gasoso, ou pode
até mesmo indicar um erro de medição. O fato é que, para este caso, uma
entrada, ou distúrbio, que não foi considerada no modelo está atuando
sobre o sistema. Com isso, a partir do modelo obtido, pode-se identificar as
câmaras de combustão cujo comportamento difere do padrão em condições
normais de operação. Então, pode-se atuar nos fornos com maior precisão
para reduzir perdas, aumentar o aproveitamento do material e prolongar
a vida útil do equipamento. Esses benefícios serão melhor explicados na
apresentação do aplicativo de apoio para o controle térmico.
indica que a resposta estimada pela rede neural tem forte correlação com
a resposta do sistema real. Em outras palavras, os dados estimados estão
coerentemente relacionados aos dados reais.
80
40
20
−20
−40
−60
−80
−100
−120
0 100 200 300 400 500 600 700 800
Amostra
Desta forma, uma rede neural foi treinada para estimar os ajustes
ideais dos orifícios e a regulagem das válvulas Rb’s (saída) a partir de
um perfil de temperatura específico (entrada). Nota-se que as variáveis
aqui utilizadas como entrada da rede são as medições consideradas como
saídas do processo para a obtenção do modelo direto. O mesmo acontece
na saída da rede, uma vez que são utilizados os dados considerados como
entrada no modelo direto.
Ainda com relação à tabela 4.2, pode-se notar que o desvio padrão
da temperatura das câmaras das extremidades do forno (2 e 14) são
consideravelmente maiores que o desvio das demais. Tal comportamento
está relacionado com a troca de calor entre o forno e o ambiente. No
momento do desenfornamento do coque produzido, este efeito é ainda
mais intenso, uma vez que as portas dos fornos são removidas. Isso faz
com que a temperatura das câmaras das extremidades atinjam baixos
valores térmicos, explicando assim o maior desvio padrão nestas regiões.
diâmetro estimado pela rede é 10 mm menor que o valor real, é menor que a
temperatura das câmaras vizinhas. A partir das análises feitas em gráficos
semelhantes ao gráfico da figura 4.8, pôde-se observar que é frequente
a queda de temperatura nas câmaras cujos diâmetros dos orífícios é 15
mm maiores do que os diâmetros estimados pela RNA. Com base nesse
raciocínio, tem-se um forte indicativo que j etpipes cujos diâmetros
estimados pela rede neural são consideravelmente inferiores aos
valores reais, podem apresentar algum tipo de problema.
30
20
10
0
Resíduo
−10
−20
−30
−40
−50
0 100 200 300 400 500 600 700 800
Amostra
91
4.5 Os Aplicativos Desenvolvidos 92
Por ser um programa com funções recorrentes, este precisa ser parado
antes do fechamento do mesmo. Para isso tem-se um botão parar. É
apresentado também um botão com a função de reset, responsável por
apagar o gráfico do corrente perfil de temperatura e gerar um perfil térmico
padrão.
4.5 Os Aplicativos Desenvolvidos
Figura 4.11: Interface gráfica do aplicativo desenvolvido para o modelo inverso.
94
4.6 Comentários Finais 95
Conclusões
Para a seleção dos dados foi feita uma apuração exaustiva das
informações disponíveis, sendo consideradas aquelas que, aparentemente,
representavam adequadamente o processo térmico. Posteriormente, foram
eliminados padrões de entrada e saída que não se adequavam aos critérios
estabelecidos de acomodação do sistema.
GAO, X.; CAI, X.; YU, X. Simulation research of genetic neural network
based pid control for coke oven heating. In: Intelligent Control and
Automation, 2006. WCICA 2006. The Sixth World Congress on. [S.l.:
s.n.], 2006. v. 2, p. 7706 –7710.
GUO, Y.; GONG, D.; CHENG, J. Coke oven heating temperature fuzzy
control system. China University of Mining and Technology, 2004.