Você está na página 1de 12

Plano de Trabalhos de Doutoramento

Sistema de monitorizao e diagnstico ca o baseado em sensores virtuais aplicado a estaoes de c tratamento de guas residuais a

Carlos Alberto Coelho Belchior

Orientador: Prof. Dr. Rui Alexandre de Matos Arajo u (Faculdade de Cincia e Tecnologia da Universidade de Coimbra) e Orientador: Dr. Jorge Afonso Cardoso Landeck (ISA - Instrumentao e Sistemas de Automao, Lda) ca ca

Coimbra - Portugal Junho de 2008

Resumo
Sensores virtuais so ferramentas valiosas para diversas aplicaes industriais, tais a co

como renarias, fbricas de celulose e papel, estaes de tratamento de guas residuais a co a (ETAR), apenas para dar alguns exemplos. Neste trabalho sero investigadas metodoloa gias para o desenvolvimento de sistemas de monitorao virtual baseados em sensores ca virtuais. O objectivo construir uma plataforma de estimao de variveis e diagnstico e ca a o de faltas aplicada a ETARs. Dados on-line colhidos remota e automaticamente sero esa tudados e correlacionados entre si e com anlises laboratoriais de rotina da estao de a ca tratamento. Isto possibilitar a previso de variveis relacionadas com a qualidade do a a a produto e a deteco de falhas no processo e em equipamentos, aumentando a ecincia ca e do tratamento e reduzindo o tempo de interveno dos operadores. Sero investigadas ca a diversas metodologias quer isoladamente quer em combinao, incluindo inteligncia comca e putacional, support vector machines, principal components analysis, projection to latent structures, e outras que se revelem pertinentes.

Motivao do tema ca
Indstrias so dia aps dia confrontadas com a escolha de pol u a o ticas adequadas de

produo. A qualidade, o preo do produto nal e, actualmente, questes relacionadas ca c o a ` poluio ambiental so factores que podem determinar o sucesso de mercado em uma ca a indstria. Essas restries representam um cont u co nuo desao fazendo com que solues co adequadas necessitem de um profundo conhecimento do processo e de seus parmetros a relevantes [Komulainen et al., 2004]. A importncia do acompanhamento de variveis a a quantitativas e qualitativas de processos industriais atravs do uso adequado de sistemas e de medio , portanto, clara. ca e Tais sistemas de medio geralmente so obrigados a trabalhar em ambiente hostil, ca a tornando inevitvel a ocorrncia de falhas inesperadas. Alm disso, alguns dispositivos a e e ou tcnicas de medio podem introduzir atrasos signicativos nas aplicaes, o que pode e ca co reduzir a eccia de pol a ticas de controlo. Soma-se isto a casos em que imposs e vel instalar um dispositivo medio on-line por causa de limitaes de tecnologias de medio, ca co ca fazendo com que importantes indicadores de desempenho sejam determinados por anlise a laboratoriais [Warne et al., 2004] Nesse panorama, os sensores virtuais se apresentam como ferramentas valiosas em diversos campos de aplicaes industriais, tais como renarias, plantas qu co micas, usinas de celulose e papel, estaes de tratamento de guas residuais, controlo da poluio industrial co a ca e urbana, apenas para dar alguns exemplos. Eles so usados para resolver problemas como a backup de sistemas de medio, previso de variveis em tempo real, validao de senca a a ca sores e de estratgias de diagnstico de faltas, apenas para dar alguns exemplos. Assim, e o

eles podem contribuir para reduzir a necessidade de dispositivos de medio e melhorar ca a abilidade de processos industriais. Na ultima dcada, estes modelos baseados em da e dos (data-driven), tm sido amplamente utilizados para produzir estimativas veis em e a tempo real de variveis de processo em funo da sua correlao com outras variveis a ca ca a relevantes do sistema [Masson et al., 1999], [de Assis and Filho, 2000], [Park and Han, 2000], [Fortuna et al., 2005b], [Kim et al., 2006], [Perendeci et al., 2007], [Lin et al., 2007]. As preocupaes com o meio ambiente requerem a monitorizao e controlo de aspecco ca tos relacionados com a qualidade ambiental em zonas urbanas e industriais [Fortuna et al., 2005a]. Em particular, estaes de tratamento de guas residuais devem cumprir leis que co a impem limites estreitos sobre as emisses de poluentes, assim, empurrando-as para adopo o tar pol ticas de medio e controlo cada vez mais ecientes para acompanhar as variveis ca a de processo. Para tanto, modernas estaes de tratamento de guas residuais fazem amplo co a uso de instrumentao para acompanhamento e controlo do processo. Contudo, a falta ca de abilidade e preciso de sensores on-line para medio dos parmetros de qualidade da a ca a a gua so problemas desaadores a serem superados. Alm disso, enfrentam-se frequentea e mente problemas relacionados com a manuteno dos sensores existentes e adicionalmente ca muitos parmetros operacionais tambm no podem ser medidos directamente com sena e a sores on-line [Perendeci et al., 2007]. Fortuna et al. [2006] comenta que os soft sensors oferecem uma srie de propriedades e atraentes relacionadas com os problemas citados acima: Representam uma alternativa de baixo custo em comparao com os caros disposica tivos de hardware, permitindo a realizao de um acompanhamento mais abrangente ca dos processos industriais; Podem trabalhar em paralelo com sensores f sicos, dando informaes uteis para co tarefas de deteco de falta, permitindo assim a realizao de processo mais veis; ca ca a Podem ser facilmente implementados em hardware existente (por exemplo, microcontroladores) e reajustados quando na ocorrncia de mudana nos parmetros do e c a sistema; Permitem a estimao de dados em tempo real, superando atrasos introduzidos por ca sensores f sicos lentos (por exemplo, cromatgrafos de gs), melhorando assim o o a desempenho das estratgias de controle. e

Estado da Arte
Fortuna et al. [2006] arma que as etapas t picas do projecto dos sensores virtuais

podem ser resumidas da seguinte forma: Colecta de dados e ltragem; 2

Seleco de variveis e estrutura de modelos; ca a Identicao de modelos; ca Validao de modelos. ca

3.1

Colecta de dados e ltragem

E importante a colecta de dados e anlise cr a tica dos dados dispon veis, pois o modelo no pode ser melhor do que os dados utilizados para a sua estimativa. Nesta etapa podem a surgir problemas relacionados com o tempo de amostragem, faltam dados, outliers, condies de trabalho, preciso e assim por diante. Para evitar maus resultados nos passos co a seguintes do desenvolvimento dos sensores virtuais, os dados recolhidos sero tratados a atravs de tcnicas de seleco, classicao e/ou ltragem. Um tratamento geral do e e ca ca papel da pr-ltragem em identicao de modelos pode ser encontrada em Ljung [1999]. e ca O papel da pr-ltragem em sistemas no-lineares analisado em Spinelli et al. [2005], e a e onde uma interpretao no dom ca nio da frequncia fornecida baseado na utilizao da e e ca representao por srie Volterra. ca e

3.2

Seleco de variveis e estrutura de modelos ca a

Qualquer conhecimento tcnico relacionado ` escolha das variveis de entrada, ` ore a a a dem do sistema, a faixas de operao, a atrasos temporais, a no-linearidade, ao tempo ca a de amostragem, etc, representa valiosa informao que ser levada em conta durante a ca a modelao. Embora a maior parte da literatura lide com resultados tericos para identica o cao de modelos lineares, aplicaes no-lineares so mais prximas da realidade e sero ca co a a o a estudadas. O artigo escrito por van Deventer et al. [2004] um exemplo de um esforo e c para incluir conhecimento prvio de um processo em um modelo neural de tal forma que e as interaces entre o processo variveis so representados pela rede de conexes por meio co a a o de redes de regresso. a amplamente descrito na literatura que variveis altamente correlacionadas podem E a gerar problemas numricos durante o processo de identicao. Isto geralmente o caso das e ca e varivel medidas em processos industriais. Este inconveniente pode ser atenuado usando a projeco baseado em tcnicas como a PCA e PLS, ambos nos casos linear e no-linear. ca e a Um levantamento util dos algoritmos PLS lineares e no-lineares podem ser encontrados a em Ba et al. [1999].

3.3

Identicao de modelos ca

Diferentes estratgias tm sido propostas na literatura para modelar sistemas reais, e e dependendo do n de conhecimento a priori do processo. Nos processos envolvidos em vel instalaes de tratamento de guas residuais, a modelao pode consumir muito tempo co a ca 3

devido ` complexidade dos fenmenos envolvidos e pelo facto de que parmetros signicaa o a tivos so geralmente desconhecidos. A grande quantidade de dados histricos normalmente a o adquiridos para efeitos de acompanhamento do processo, porm, sugere a utilizao de e ca tcnicas de identicao de modelo tipo gray ou black-box. Tcnicas baseadas em m e ca e nimos quadrados (MQ) so as primeiras escolhas para a determinao de parmetros de modelos a ca a lineares. Um certo nmero de tcnicas de regresso no-linear podem ser utilizadas no u e a a caso de modelos no-lineares [Ba et al., 1999]. Modelos no-lineares baseados em redes a a neuronais representam uma ferramenta genrica, que amplamente aceita para aplicaes e e co industriais [Luo and Shao, 2006], [Kim et al., 2006], [Rallo et al., 2002].

3.4

Validao de modelos ca

A performance dos modelos obtidos deve ser testada em um conjunto de dados de validao, os quais no foram usados para a determinao do modelo. Vrios testes poca a ca a dem ser usados para avaliar a qualidade do modelo, geralmente baseadas na anlise das a propriedades do modelo estat stico residual. De uma forma geral, o problema do modelo validao ainda no foi resolvido numa maneira denitiva. No entanto, na teoria de sisca a temas lineares a habitual abordagem consiste em computar a funo de auto-correlao ca ca dos res duos e a as funes de correlao cruzada entre os res co ca duos e os sinais de entrada de mais de um conjunto de dados ainda no vistos [Fortuna et al., 2006]. a

Objectivos
O principal objectivo deste doutoramento a investigao de uma metodologia ine ca

ovadora de desenvolvimento de sistemas de monitorizao virtual baseados em sensores ca virtuais. Como estudo de caso, ser constru uma plataforma de diagnstico de faltas a da o aplicada a uma ETAR. Dados on-line colhidos remota e automaticamente sero estudados a e correlacionados entre si e com anlises laboratoriais de rotina da estao de tratamento. a ca Isto possibilitar a previso de variveis relacionadas com a qualidade do produto e a dea a a teco de falhas no processo e em equipamentos, aumentando a ecincia do tratamento ca e e reduzindo o tempo de interveno dos operadores. ca A monitorizao on-line com preciso de variveis de qualidade do processo essencial ca a a e para o bom acompanhamento e controlo de sistemas de tratamento de guas residuais. a Desta forma, o que se pretende dotar tais sistemas de meios que permitam uma melhor e gesto ambiental de forma a aumentar a sua ecincia de tratamento; reduzir o tempo de a e interveno dos operadores; operar o sistema de forma mais estvel; e aumentar a ecincia ca a e energtica do processo. e Problemas como colecta e ltragem de dados, seleco de variveis e estrutura de modca a elos, identicao e validao de modelos esto directamente ligados `s caracter ca ca a a sticas de desenvolvimento de sensores virtuais e devero ser consideradas e investigadas. O princ a pio 4

guia dos sensores virtuais est relacionado com a explorao da tolerncia ` impreciso e ` a ca a a a a incerteza, com a busca de robustez e de solues de baixo custo. Como carcter inovador co a de seu desenvolvimento, buscar-se- uma combinao sinrgica de diversas metodologias a ca e constituintes, incluindo inteligncia computacional, support vector machines (SVM), prine cipal components analysis (PCA), projection to latent structures (PLS), no sendo esta a uma lista exaustiva. A abordagem h brida geralmente mais adaptvel para processos e a industriais complexos e de escala real [Luo and Shao, 2006]. Ser efectuada uma integraao do sistema desenvolvido com o TeleMet - Sistema de a c Telemetria, Controlo e Gesto de Alarmes para Aplicaes Ambientais [Landeck, 2002]. a co Este sistema inovador, concebido utilizando uma abordagem orientada por objectos, conta j com vrias aplicaes prticas da responsabilidade da ISA. a a co a

Oportunidade de Negcio o
As questes relativas aos recursos h o dricos ocupam, hoje, uma signicativa parcela dos

investimentos e esforos administrativos de todos os segmentos da actividade econmica. c o As novas regulamentaes promovidas por governos de vrios pa co a ses representam um cont nuo desao para a engenharia de processos; solues adequadas exigem um profundo co e quantitativo conhecimento do processo e de parmetros relevantes do processo. Desta a forma, tanto instituies governamentais quanto privadas so reas de claro interesse para co a a a adopo de tecnologias de monitorizao e controlo, as quais penetraro cada vez mais ca ca a neste dom nio ` medida que novas inovaes vo sendo lanadas no mercado. a co a c O projecto conta com parcerias rmadas com a ISA - Instrumentao e Sistemas de ca Automao, no mbito do desenvolvimento e coordenao do projecto, na pessoa do Prof. ca a ca Doutor Jorge Landeck, bem como parceria recentemente rmada com a Lusgua Ambiente a a qual ceder suas instalaes e dados experimentais para que o projecto seja desenvolvido a co a partir de um estudo de caso de porte industrial. As novas tecnologias e competncias que e se iro desenvolver no mbito deste projecto de caracter a a sticas fortemente interdisciplinares traro ganhos para a ISA, pois incrementa a sua ligao ` universidade permitindo a a ca a criao de conhecimento cient ca co inovador com aplicao no mundo empresarial com a ca respectiva gerao de valor econmico para a economia e a sociedade. Alm disso, o apoio ca o e ao desenvolvimento de sensores virtuais abre a oportunidade de se criar um novo nicho de mercado para a empresa, alm de destacar um produto como o TELEMET, que j aceite e ae no mercado internacional, agregando valor e aplicando-o de forma inovadora em ETARs. As oportunidades se extendem ` LUSAGUA, que dispor de novos processos que auxa a iliem os processos actuais de forma a melhorar a ecincia de suas instalaes, e nalmente e co da FCTUC e ISR por este ser um projecto que tem por objectivo o desenvolvimento de pesquisas fundamentais na rea de engenharia de sistemas e por estabelecer um ambiente a apropriado para criar interaces entre a universidade e empresas, e entre cientistas da co 5

engenharia e de outras cincias a partir de uma investigao interdisciplinar. e ca

Recursos dispon veis


ISR - Instituto de Sistemas e Robtica, Universidade de Coimbra - Orientao o ca acadmica, cient e ca e tecnolgica. o ISA - Instrumentao e Sistemas de Automao - Orientao Empresarial, Estudo de ca ca ca patentes, estudo de mercado, realizao e teste de prottipos, pr-sries, instalao ca o e e ca de unidades piloto em campo, participao em congressos e feiras internacionais para ca benchmarking. Lusgua Ambiente - Instalaes e dados experimentais usados para que o projecto a co seja desenvolvido a partir de um estudo de caso de porte industrial.

Planeamento das Tarefas


O plano de trabalhos para o doutoramento inclui as etapas detalhadas a seguir, com

cronograma denido para 36 meses divididos de acordo com o indicado na tabela 1.

7.1

Reviso de literatura e contacto com o ambiente experimental a

Durante este per odo uma reviso de literatura ser realizada sobre o estado da arte das a a metodologias para recolha e seleco de dados representativos da dinmica do sistema, deca a teco e minimizao de efeitos de outliers, seleco de variveis e estrutura de modelos, ca ca ca a pr-ltragem e identicao de modelos lineares e no-lineares, validao de modelos e sise ca a ca temas. Para tanto tomar-se- como base tcnicas de inteligncia computacional incluindo a e e support vector machine (SVM), redes neuronais e sistemas difusos e suas aplicaes no co desenvolvimento de soft-sensors. Devero ser estudadas tcnicas de reduo de dimena e ca sionalidade da base de dados, como principal components analysis (PCA) e projection to latent structures (PLS), bem como mtodos de ltragem e estimao como Filtros de e ca Kalman. Ser tambm realizado o estudo do estado da arte relativo aos processos de a e tratamento de guas residuais. Durante o mesmo per a odo esperado que o candidato se e familiarize com o ambiente de campo no qual o sistema ser implantado, ambiente este a disponibilizado atravs de parcerias j rmadas com instituies privadas, nomeadamente e a co a ISA - Instrumentao e Sistemas de Automao, Lda. e a Lusgua Ambiente, S.A. ca ca a

7.2

Anlise do processo a ser estudado e denio da arquitectura global a ca do sistem

Denio da estao de tratamento de guas residuais na qual o sistema ser imca ca a a plantado e validado. Denio de que (parte do) processo ser estudado. Reviso da ca a a 6

instrumentao presente na estao de tratamento de guas residuais que receber o sisca ca a a tema de deteco de falhas baseado em sensores virtuais, recolha de dados, recolha de ca informao sobre o processo e a sua gesto, interrogao dos operadores. Denio da ca a ca ca necessidade de aquisio de novos sensores e equipamentos para o processo de forma a ca possibilitar o desenvolvimento dos sensores virtuais. Denio e especicao da interface ca ca de dados e de utilizador do sistema de superviso e diagnstico a ser desenvolvido. a o

7.3
7.3.1

Desenvolvimento dos sensores virtuais


Colecta de dados e ltragem

Inicialmente, para evitar maus resultados nos passos seguintes do desenvolvimento dos sensores virtuais, os dados recolhidos sero tratados atravs de tcnicas de seleco, a e e ca classicao e/ou ltragem. Nesta etapa buscar-se-o solues para as diculdades relaca a co cionadas com a colecta de dados e ltragem, tais como tempo de amostragem, faltam dados, outliers, condies de trabalho, preciso e assim por diante. co a 7.3.2 Seleco de variveis e estrutura de modelos ca a

Como passo seguinte, ser dada ateno ` seleco de variveis e estrutura de moda ca a ca a elos. Qualquer conhecimento tcnico relacionado ` escolha das variveis de entrada, ` e a a a ordem do sistema, a faixas de operao, a atrasos temporais, a no-linearidade, ao tempo ca a de amostragem, etc, representa valiosa informao que ser levada em conta durante a ca a modelao. Embora a maior parte da literatura lide com resultados tericos para identica o cao de modelos lineares, aplicaes no-lineares so mais prximas da realidade e sero ca co a a o a amplamente descrito na literatura que variveis altamente correlacionadas estudadas. E a podem gerar problemas numricos durante o processo de identicao. Isto geralmente e ca e o caso das varivel medidas em processos industriais. Buscar-se-o tcnicas que atenuem a a e tal inconveniente. 7.3.3 Identicao de modelos ca

Nesta etapa sero denidas as tcnicas de identicao, estimao e predio a serem a e ca ca ca usadas para o desenvolvimento dos sensores virtuais. Diferentes estratgias tm sido proe e postas na literatura para modelar sistemas reais, dependendo do n vel de conhecimento a priori do processo. Nos processos envolvidos em instalaes de tratamento de guas co a residuais, a modelao pode consumir muito tempo devido ` complexidade dos fenmenos ca a o envolvidos e pelo facto de que parmetros signicativos so geralmente desconhecidos. A a a grande quantidade de dados histricos normalmente adquiridos para efeitos de acompano hamento do processo, porm, sugere a utilizao de tcnicas de identicao de modelo e ca e ca tipo gray ou black-box.

7.3.4

Validao experimental de modelos ca

A performance dos modelos obtidos ser testada para avaliar sua qualidade. A habitual a abordagem consiste em computar a funo de auto-correlao dos res ca ca duos e a as funes co de correlao cruzada entre os res ca duos e os sinais de entrada de mais de um conjunto de dados ainda no vistos. Nesta etapa ocorrer tambm a formalizao e implantao do a a e ca ca sistema de diagnstico e superviso. Sero denidas as informaes relevantes de entrada o a a co e sa do sistema e das estruturas e estratgias de deteco de faltas e situaes adversas. da e ca co

7.4

Publicao de resultados em revistas e conferncias, e escrita da tese ca e


Table 1: Planeamento temporal das tarefas Trimestres Tarefas 1 2 3 4 5 6 7 8 9 10 11 7.1 X X 7.2 X X 7.3 X X X X X X 7.4 X

12

Referncias e
G. Ba, E. B. Martin, and A. J. Morris. Non-linear projection to latent structures revisited (the neural network pls algorithm). Computers & Chemical Engineering, 23:12931307, 1999. URL http://www.sciencedirect.com/science/article/B6TFT-3Y0RFPH-F/ 2/a9c5c529234cf3892b5a525b65511998. Carlos Alberto Coelho Belchior. Superviso computadorizada aplicada a uma estao de a ca tratamento de euentes. Dissertao de mestrado, Centro de Tecnologia da Universidade ca Federal do Cear, Maio 2007. a Adilson Jose de Assis and Rubens Maciel Filho. Soft sensors development for on-line bioreactor state estimation. Computers & Chemical Engineering, 24(2-7):10991103, July 2000. URL http://www.sciencedirect.com/science/article/B6TFT-448HNR0-4W/ 1/745d53063f6de7fc44b1baedb8ff72d3. L. Fortuna, S. Graziani, and M. G. Xibilia. Virtual instruments in reneries. In-

strumentation & Measurement Magazine, IEEE, 8(4):26 34, October 2005a. URL http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1518619. L. Fortuna, S. Graziani, and M. G. Xibilia. Soft sensors for product quality monitoring in debutanizer distillation columns. Control Engineering Practice, 13(4):499508, April 2005b. URL http://www.sciencedirect.com/science/article/B6V2H-4CG2FWW-4/ 1/b16fb46c724c75576694010c3eff775e. L. Fortuna, S. Graziani, A. Rizzo, and M. G. Xibilia. Soft Sensors for Monitoring and Control of Industrial Processes. Advances in Industrial Control. Springer, 1 edition, December 2006. Yejin Kim, Hyeon Bae, Kyungmin Poo, Jongrack Kim, Taesup Moon, Sungshin Kim, and Changwon Kim. Soft sensor using pnn model and rule base for wastewater treatment plant. In Advances in Neural Networks, volume 3973/2006 of Lecture Notes in Computer Science, pages 12611269. Springer Berlin / Heidelberg, 2006. http://www.springerlink.com/content/f641161u12755302/. Tiina Komulainen, Mauri Sourander, and Sirkka-Liisa Jamsa-Jounela. An online application of dynamic pls to a dearomatization process. Computers & Chemical Engineering, 28(12):26112619, November 2004. URL http://www.sciencedirect.com/science/ article/B6TFT-4DD93XV-1/2/a73ca73538a4faf21c5273a0491f837e. Jorge Afonso Landeck. Monitorizao e Controlo Remoto de Pequenos Sistemas de Trataca mento de Aguas Residuais. Tese de doutoramento, Faculdade de Cincias e Tecnologia e da Universidade de Coimbra, Setembro 2002. 9 URL

Bao Lin, Bodil Recke, Jorgen K.H. Knudsen, and Sten Bay Jorgensen. A systematic approach for soft sensor development. Computers & Chemical Engineering, 31:419425, 2007. Lennart Ljung. System Identication - Theory For the User. Prentice Hall, 2 edition, 1999. URL http://www.control.isy.liu.se/~ljung/sysid/. Jian Xu Luo and Hui He Shao. Developing soft sensors using hybrid soft computing methodology: a neurofuzzy system based on rough set theory and genetic algorithms. Soft Computing - A Fusion of Foundations, Methodologies and Applications, 10(1):54 60, January 2006. Marie H. Masson, Stephane Canu, Yves Grandvalet, and Anders Lynggaard-Jensen. Software sensor design based on empirical data. 131139, August 1999. Ecological Modelling, 120(2-3): URL http://www.sciencedirect.com/science/article/

B6VBS-3X5GN3F-6/1/85be8f1de829db33112229e840ed9fd5. Indrajit Mukherjee and Pradip Kumar Ray. A systematic solution methodology for inferential multivariate modelling of industrial grinding process. Journal of Materials Processing Technology, 196(1-3):379392, January 2008. URL http://www.sciencedirect. com/science/article/B6TGJ-4NX2NGY-5/2/4b44fad1fa5091350f55f6875de5273c. Sungyong Park and Chonghun Han. A nonlinear soft sensor based on multivariate smoothing procedure for quality estimation in distillation columns. Computers & Chemical Engineering, 24(2-7):871877, July 2000. URL http://www.sciencedirect.com/ science/article/B6TFT-448HNR0-3S/1/c2de6bb1b8251739044f886e773bd757. Altunay Perendeci, Sever Arslan, Abdurrahman Tanyola, and Serdar S. Celebi. Evaluac tion of input variables in adaptive-network-based fuzzy inference system modeling for an anaerobic wastewater treatment plant under unsteady state. Journal of Environmental Engineering, 133(7):765771, July 2007. R. Rallo, J. Ferre-Gine, A. Arenas, and Francesc Giralt. Neural virtual sensor for the inferential prediction of product quality from process variables. Computers & Chemical Engineering, 26(12):17351754, December 2002. URL http://www.sciencedirect. com/science/article/B6TFT-46W0XYR-4/2/7460a08b5d78ae8bc9909ee842b8c2e1. W. Spinelli, L. Piroddi, and M. Lovera. On the role of preltering in nonlinear system identication. Automatic Control, IEEE Transactions on, 50(10):15971602, October 2005. URL http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1516260. Jannie S.J. van Deventer, Kiew M. Kam, and Tjaart J. van der Walt. Dynamic modelling of a carbon-in-leach process with the regression network. Chemical Engineering Science,

10

59(21):45754589, November 2004. URL http://www.sciencedirect.com/science/ article/B6TFK-4D5P280-2/2/f30e42c63806f8f3252f902c1ed765dd. K. Warne, G. Prasad, S. Rezvani, and L. Maguire. Statistical and computational intelligence techniques for inferential model development: a comparative evaluation and a novel proposition for fusion. Engineering Applications of Articial Intelligence, 17(8): 871885, December 2004. URL http://www.sciencedirect.com/science/article/ B6V2M-4DFBSJ5-2/2/c994010868b919199b5895af0ae8c66e.

11

Você também pode gostar