Beruflich Dokumente
Kultur Dokumente
CENTRO TECNOLÓGICO
DEPARTAMENTO DE ENGENHARIA MECÂNICA
VITÓRIA
2014
JOÃO PAULO PINTO CUZZUOL
VITÓRIA
2014
AGRADECIMENTOS
A Deus, por estar sempre comigo, por ter colocado as pessoas certas em meu
caminho e por me guiar para um futuro com desafios ainda maiores.
A minha mãe, Heidna Maria, por todo amor, carinho depositado, incondicional
dedicação e abdicações necessárias para a minha educação.
Ao Prof. Dr. João Luiz Marcon Donatelli pela orientação e confiança depositada
durante o desenvolvimento do projeto.
CAPÍTULO 1 – INTRODUÇÃO....................................................................... 17
1.1. MOTIVAÇÃO................................................................................... 17
1.2. OBJETIVO....................................................................................... 18
1.3. METODOLOGIA.............................................................................. 19
CAPÍTULO 2 – REVISÃO BIBLIOGRÁFICA.................................................. 20
2.1. RECONCILIAÇÃO DE DADOS....................................................... 20
2.2. DETECÇÃO E DIAGNÓSTICO DE FALHA.................................... 21
2.3. SIMULAÇÃO EM RAC.................................................................... 26
2.3.1 Técnicas de Simulação em Regime Permanente.................... 26
2.3.2 Modelagem dos Componentes................................................ 28
CAPÍTULO 3 – DESCRIÇÃO DO CICLO........................................................ 31
3.1. CICLO DE CARNOT....................................................................... 31
3.2. CICLO IDEAL OU TEÓRICO.......................................................... 32
3.3. CICLO REAL................................................................................... 33
3.4. ABORDDAGEM ADOTADA............................................................ 34
3.5. BALANÇOS DE MASSA E ENERGIA NOS COMPONENTES....... 35
3.5.1 Compressor.............................................................................. 35
3.5.2 Condensador............................................................................ 36
3.5.3 Evaporador............................................................................... 37
3.5.4 Dispositivo de Expansão.......................................................... 38
CAPÍTULO 4 – DESCRIÇÃO DO EQUIPAMENTO........................................ 39
4.1. COMPRESSOR............................................................................... 39
4.2. CONDENSADOR............................................................................ 41
4.3. DISPOSITIVO DE EXPANSÃO....................................................... 42
4.4. EVAPORADOR............................................................................... 43
CAPÍTULO 5 – DESCRIÇÃO DA INSTRUMENTAÇÃO................................. 44
5.1. SISTEMA ATUAL............................................................................ 44
5.1.1 Dados Aquisitados................................................................... 44
5.1.2 Instrumentação Utilizada.......................................................... 45
5.2. AQUISIÇÃO AUTOMÁTICA............................................................ 51
5.2.1 Sensores.................................................................................. 51
5.2.2 Hardware.................................................................................. 54
5.2.3 Software................................................................................... 55
CAPÍTULO 6 – MODELAGEM DE REFERÊNCIA.......................................... 56
6.1. COMPORTAMENTO TÍPICO E MODELO DISPONÍVEIS.............. 56
6.1.1 Compressor.............................................................................. 56
6.1.2 Condensador............................................................................ 62
6.1.3 Dispositivo de Expansão.......................................................... 65
6.1.4 Evaporador............................................................................... 67
6.2 DESENVOLVIMENTO DA MODELAGEM E CALIBRAÇÃO........... 68
6.2.1 Compressor.............................................................................. 70
6.2.2 Evaporador e Condensador..................................................... 74
CAPÍTULO 7 – DETECÇÃO E DIAGNÓSTICO DE FALHA........................... 83
7.1. TIPOS DE DETECÇÃO E DIAGNÓSTICO DE FALHA................... 83
7.1.1 Detecção baseada em modelo................................................. 84
7.1.2 Detecção baseado na história do processo............................. 86
7.2 ETAPAS.......................................................................................... 86
7.2.1 Etapa de identificação ou detecção......................................... 88
7.2.2 Etapa de diagnóstico................................................................ 89
7.2.3 Etapa de avaliação................................................................... 90
7.2.4 Etapa de reação....................................................................... 90
7.3. MÉTODOS DE DETECÇÃO........................................................... 91
7.3.1 Estimativa das variáveis de estado.......................................... 91
7.3.2 Identificação e estimativa de parâmetros................................. 92
7.3.3 Julgamento da falha................................................................. 92
7.4. MÉTODOS DE DIAGNÓSTICO...................................................... 93
7.4.1 Métodos de classificação......................................................... 93
7.4.2 Métodos de Inferência.............................................................. 94
CAPÍTULO 8 – RECONCILIAÇÃO DE DADOS............................................. 95
8.1. INTRODUÇÃO................................................................................ 95
8.2. FUNCIONAMENTO......................................................................... 95
8.3. FUNDAMENTO ESTATÍSTICO....................................................... 97
8.4. EXEMPLO DE APLICAÇÃO LINEAR.............................................. 99
8.5. ESTUDO DE CASO........................................................................ 101
CAPÍTULO 9 – RESULTADOS....................................................................... 104
9.1. RECONCILIAÇÃO DE DADOS....................................................... 104
9.2. MODELAGEM DE REFERÊNCIA................................................... 107
9.3. DETECÇÃO E DIAGNÓSTICO DE FALHA.................................... 108
9.3.1 Método utilizado....................................................................... 108
9.3.2 Metodologia para detecção de falha........................................ 108
9.3.3 Metodologia para diagnóstico da falha..................................... 110
CAPÍTULO 10 – CONSIDERAÇÕES FINAIS E SUGESTÕES...................... 114
10.1. MODELAGEM............................................................................... 114
10.2. RECONCILIAÇÃO DE DADOS..................................................... 115
10.3. FDD E INTEGRAÇÃO................................................................... 116
CAPÍTULO 11 – REFERÊNCIAS.................................................................... 117
APÊNDICE...................................................................................................... 122
17
1. INTRODUÇÃO
1.1. MOTIVAÇÃO
Além disso, outro aspecto, que acaba ligado ao fator ambiental é o fator custo
operacional destes equipamentos, pois não só um equipamento em condições
inadequadas representa um dano ambiental não necessário para atividade, mas
também um aumento no custo operacional destes equipamentos ao ponto de poder
justificar a utilização de sistemas capazes de aperfeiçoar ao máximo uma operação
sob condições ótimas.
Outro aspecto que também pode ser levado em conta quanto à utilização de ar-
condicionado na atualidade é o fato de que uma operação sob falha pode acarretar à
insatisfação de ocupantes devido a condições não confortáveis, levando insatisfação
de clientes no comércio, baixa produtividade de funcionários e assim por diante.
1.2. OBJETIVO
1.3. METODOLOGIA
O desempenho real do equipamento será, então, comparado com aquele obtido por
meio do uso da modelagem de referência utilizando-se os dados operacionais do
sistema.
A comparação será feita por técnicas de diagnóstico e detecção de falhas que serão
descritas e explicadas e selecionadas no decorrer deste trabalho.
2. REVISÃO BIBLIOGRÁFICA
Quanto aos sistemas não lineares, que são obtidos quando algum balanço de
energia, por exemplo, está envolvido, foram levantados primeiramente por Knepper
e Gorman (1980), que solucionaram o problema através da aplicação de técnicas
iterativas para estimação de parâmetros em regressão não linear.
Foi observado, no entanto, que tais métodos, oferecem limitações mais abrangentes
quando comparado ao método de linearização sucessiva proposta por Pai e Fisher
(1988). Além desses autores, outros também propuseram novas soluções, como
Tjoa e Biegler (1991), que, pelo uso de programação quadrática sucessiva
(successive quadratic programming – SQP) resolveram o problema de reconciliação
de dados para sistemas não lineares.
A solução desses sistemas é feito pelo uso da técnica de filtros de Kalman, que
possuem, no entanto, a limitação de aplicação apenas para sistemas lineares em
reconciliação de dados. A aplicação da reconciliação de dados para sistemas
dinâmicos, e ainda, não-lineares foi feita por Liebman et al (1992) que fizeram uma
transformação sobre o sistema tornando um sistema não linear passível de
aplicação de técnicas já utilizadas para solução e problemas não lineares na
reconciliação de dados.
Gertler (1988) publicou o seu trabalho acerca da discussão dos métodos para
alcançar a detecção e diagnostico de falha podendo ser pelos métodos estatísticos
ou baseados em modelo, sendo que ambos foram analisados quanto à sua robustez
em diversas estratégias.
Grimmelius et al (1995) faz uso de uma matriz de falha criada por meio de
experimentos sobre o equipamento alvo do diagnóstico. O sistema desenvolvido
compara os resíduos gerados pelas diferenças entre os valores medidos e os
valores obtidos por meio de dados de entrada para o modelo de regressão linear do
equipamento que são, por fim, comparados com valores esperados da matriz de
24
falha levantada. Com o uso da técnica de lógica fuzzy, o reconhecimento das falhas
foi possível.
Outro a lançar mão da lógica fuzzy no desenvolvimento de um FDD foi Dexter (1995)
aplicando-o sobre uma unidade de tratamento de ar. No trabalho, a técnica de fuzzy
logic foi utilizada para a geração de um comportamento de referência e um
comportamento faltoso levando o sistema a um diagnóstico quando submetidas a
uma série de regras que descrevem o sistema.
Até 1996 os autores Rossi e Braun (1996) eram os únicos a ter realizado e aplicado
a etapa de avaliação da falha proposto por Isermann (1984) para sistemas
supervisórios de equipamentos de ar condicionado. No trabalho, foi desenvolvida
abordagem que levou em consideração os aspectos de conforto, segurança
operacional e risco à segurança, impacto ambiental e impacto econômico. Os
critérios foram relacionados com períodos de manutenção para desenvolvimento de
previsão de serviços que viessem a minimizar o custo operacional do equipamento.
Em Cui e Wang (2005) é apresentada uma FDD para aplicação online em sistemas
de refrigeração (chiller). No trabalho, os dados operacionais são submetidos a um
modelo físico desenvolvido para o equipamento para o levantamento de índices
operacionais que caracterizem o comportamento do sistema.
COP;
Eficiência Isentrópica;
Eficiência do motor de acionamento do compressor;
Vazão mássica de fluido refrigerante;
Diferença média logarítmica no condensador e evaporador.
Dito isto, é possível notar que os sistemas de simulação que adotam a técnica de
solução simultânea são mais flexíveis que aqueles que adotam a solução não
simultânea do problema. No entanto, esta flexibilidade da solução simultânea é
acompanhada pela desvantagem de que nestes sistemas é observada uma menor
robustez do código implementado.
Neste contexto foi desenvolvido por Grossman e Michelson, (1985) um código para
simulação de um sistema de refrigeração por absorção capaz de lidar com a adição
de diversos componentes, no trabalho o autor ainda discute os requisitos para um
sistema ser capaz de simular tais equipamentos.
Compressor
Trocadores de Calor
A outra abordagem segue como uma derivação desta primeira, sendo que, desta
vez, a estrutura geométrica do trocador de calor é levada em consideração. Neste
caso, os estudos geralmente desenvolvem um modelo de resistência térmica entre
os fluidos que (abordagem UA) que é depois corrigida na relação ε-NTU para
calcular a saída dos fluidos prevista, como feito em Schwentker et al (2006).
De acordo com Winkler (2009), essa ultima abordagem geralmente sofre variações
quanto à quantidade de nós utilizados para a criação do modelo, sendo que quando
não a troca de fases, um modelo com apenas um nó é geralmente razoável para
representação do fenômeno. No entanto, como no caso de evaporadores, ao
verificar a mudança de fases modelos com três nós são os mais utilizados para
descrever o comportamento destes equipamentos.
também pelo fato de o local de mudança de fase não ser um previsão e sim um
resultado calculado, conforme Winkler (2009).
Dispositivo de Expansão
3. DESCRIÇÃO DO CICLO
Para o motor térmico de Carnot, este recebe energia de uma fonte quente converte-
o em trabalho e rejeita o restante para o ambiente à baixa temperatura.
Apresentando a maior eficiência possível entre estas duas temperaturas.
Por fim, no evaporador ocorre o processo 4-1 em que o vapor gerado no dispositivo
de expansão é levado até a condição de saturação no ponto 1 (x=1).
3.5.1 Compressor
(3.1)
Onde:
3.5.2 Condensador
(3.2)
Onde:
3.5.3 Evaporador
(3.3)
Onde:
Processo isentálpico:
(3.4)
(3.5)
39
4. DESCRIÇÃO DO EQUIPAMENTO
4.1. COMPRESSOR
Existem dois grandes grupos nos quais podemos dividir os compressores são eles:
os que deslocamento positivo e os dinâmicos.
4.2. CONDENSADOR
4.4. EVAPORADOR
5. DESCRIÇÃO DA INSTRUMENTAÇÃO
Lado ar:
Ponto 5: Temperatura ,umidade relativa, delta de pressão no
evaporador e velocidade (T5, UR5, , V5);
Ponto 7: Temperatura e umidade relativa (T7, UR7);
Ponto 8: Temperatura e delta de pressão no condensador (T8, );
Ponto 9: Temperatura e velocidade (T9, V9).
45
Equipamento:
Compressor/ Ventilador: Corrente, voltagem e potência elétrica (i, V,
Welet);
Evaporador: volume de água condensada no evaporador (mH2O).
Pressão
A invalidez de tal medição pode ser devido ao fato de o tubing para medição de
pressão estar situado em uma curva, podendo, portanto, sofrer de influência de
vórtices gerados devido a turbulência que acaba por derrubar a pressão aferida
naquele ponto.
Temperatura
Lado ar
Pressão diferencial
Temperatura
Ponto 8:
É utilizado um termômetro de mercúrio.
Escala (-10 a 60)°C
Precisão: 0.5°C
Ponto 9:
Utiliza-se um termopar tipo K, conectado ao mesmo comutador utilizado para
aquisição das temperaturas do circuito de fluido refrigerante.
Escala: (-200 a 1200)°C
Precisão: 0.75%
48
Umidade relativa
Velocidade
Com isso em mente, partiu-se para uma análise experimental do fenômeno, tal que,
objetivava-se identificar qual a relação entre a velocidade medida no centro das
secções do evaporador e do condensador com a vazão de ar passante.
Equipamento
Corrente
Tensão
Potência Elétrica
5.2.1 Sensores
Será especificado aqui um range de temperatura e pressão que atende cada um dos
pontos nos quais as medidas são realizadas – 1,2,3, e 4.
Temperatura
Pressão
Lado ar
Pontos 5 e 7:
Para as temperaturas 5 e 6 é previsto o uso de um instrumento capaz de aquisitar
tanto temperatura quanto a umidade relativa, isso reduz a quantidade de instrumento
instalado e portanto simplifica a estrutura do sistema.
Pontos 8 e 9:
Para estes pontos é previsto o uso de termopares tipo K, devido à facilidade de
encontrá-los no mercado e para manter todo o equipamento com uso de apenas um
tipo de termopar, possibilitando intercambialidade.
Pressão diferencial
Velocidade
Equipamentos
Potência
5.2.2. Hardware
Alguns são os pontos que precisam ser garantidos pelo equipamento, são eles, a
taca de transmissão de dados compatível com a aplicação desejada, que, nesse
caso, não precisará ser alta, sendo que os limitadores dessa velocidades serão os
próprios instrumentos em si.
55
5.2.3. Software
6. MODELAGEM DE REFERÊNCIA
6.1.1 Compressor
Comportamento típico
as duas e ser nítido o fato de que a curva de capacidade é mais inclinada do que a
de potência de compressão.
Modelagem
Isentrópico e Politrópico
(6.1)
(6.2)
Onde:
Rendimento volumétrico [%]
Volume deslocado [m³/s]
Diâmetro do cilindro [m]
Curso do cilindro [m]
Simples (1) ou duplo efeito (2)
Número de cilindros
Rotações [RPS]
Fluxo de refrigerante [kg/s]
Volume específico [m³/kg]
58
(6.3)
Onde:
Rendimento isentrópico
Entalpia específica [J/kg]
(6.4)
Onde:
T Temperatura [K]
P Pressão [kPa]
Coeficiente politrópico
ARI-540
(6.5)
Onde:
Além disso, outro aspecto muito importante que não é levado em consideração é o
fato de que as condições em que são feitos os levantamentos do teste segundo a
ARI-540 não levam em consideração a variação da temperatura ambiente, sendo
esta fixada em 32°C.
Método semi-empírico
(6.6)
61
(6.7)
Onde:
Segundo o autor, o modelo final possui cinco variáveis de ajuste as quais são
calculadas com a técnica de regressão não linear sendo que o modelo depende de
um mínimo de quatro medidas de vazão mássica e potência de acionamento para
avaliação dos parâmetros.
6.1.2 Condensador
Comportamento típico
(6.8)
(6.9)
Modelagem
Conforme Winkler (2009), a modelagem desse equipamento pode ser feita partindo-
se de diferentes abordagens, são elas: modelo de um único nó; modelo multi-nós;
modelos de zonas. Na primeira abordagem tem-se o exemplo do uso da média
logarítmica, que é simples mas acaba perdendo precisão quando há várias fases
envolvidas.
Em Mendes (2012) foi feito uso do método do fator de troca térmica por diferença
unitária de temperatura em que foi suposto que este variava apenas com a
velocidade de face no condensador.
(6.10)
(6.11)
Tal que os dados de entrada poderiam ser obtidos do catálogo do fabricante destes
equipamentos.
(6.12)
Assim,
(6.13)
Onde:
65
Modelagem
O primeiro deles é o proposto por Stoecker e Jones (1995) que fornece a seguinte
relação para escoamento através de um determinado diâmetro fixado.
(6.14)
Onde:
Um segundo modelo é aquele proposto com Kim et al. (1994) e Kim e O’Neal(1994)
que chegaram basicamente ao mesmo resultado para o escoamento através de um
tubo de pequena espessura.
(6.15)
67
Onde:
Constante
Aceleração da gravidade [m/s²]
6.1.4 Evaporador
Comportamento típico
Modelagem
É fácil perceber que para este trabalho em específico, devido ao fato de não se
objetivar o desenvolvimento de uma ferramenta de detecção e diagnóstico de falha
on-line o esforço computacional envolvido não será ponderado na escolha do
método escolhido para a simulação de cada equipamento, mesmo sabendo que a
simulação de um sistema de ar-condicionado leva a um sistema de equações
bastante não linear devido às características do balanço energético no mesmo.
Com isso em mente, é apresentada na figura 6.8 a forma como foi feita a
modelagem do equipamento em termo de funções ao invés de expressões
completas como poderá ser observado no Apêndice A deste trabalho.
69
Entradas:
T5, UR5, UR7, T8, T1 e T3
Abordagens:
Compressor: Compressão politrópica com variação do coeficiente e vazão de
refrigerante conforme ARI-540.
Evaporador: Apenas balanço de energia
Condensador: Apenas balanço de energia
DXP: Apenas balanço de energia
70
6.2.1 Compressor
Modelo
Observado este aspecto, optou-se por utilizar o método proposto na ARI-540, que
mesmo restringindo a sua validade oficial para intervalos restritos e situações
específicas apresentada na norma este método continua eficiente em representar
um comportamento típico e foi, portanto, a escolha para o cálculo realizado.
No caso do coeficiente, este foi considerado linear, embora, a literatura sugira uma
variação do coeficiente politrópico em si, neste trabalho o coeficiente é
simplesmente uma variável de compensação da temperatura T2 alcançada, sendo
que, mesmo que está na seja a forma mais correta de representar, reduz em muito a
não linearidade do problema analisado.
Calibração
(6.16)
Onde:
Vazão de refrigerante
Mesmo que o valor atingido não tenha sido o mesmo, o fator foi considerado igual
a 1 já que, como descrito anteriormente, a confiabilidade do sistema de medição da
troca de calor do lado ar não permitiria tal calibração.
Compressão politrópica
(6.17)
(6.18)
Onde:
Coeficiente de ajuste
0.96
0.94
10°C 15°C 20°C 25°C
(6.19)
Onde,
Modelo
Perda de carga
Para tanto, o modelo utilizado é bastante simplista, mas conforme Jahnig (1999)
dentre as três possíveis abordagens a perda de carga em porcentagem (2)
apresenta bons resultados e ainda poupa da necessidade de um desenvolvimento
matemático mais complexo que não traz melhorias que justifiquem tal esforço.
1. (6.20)
2. (6.21)
3. (6.22)
Onde:
Pressão de evaporação
Constante
(6.23)
Onde:
(6.24)
Onde:
é 1 quando considerada serpentina seca e 0 quando
considerada serpentina úmida.
, , , , Constantes de ajuste de curva
Temperatura de bulbo úmido do recinto
Temperatura de bulbo seco do recinto
Calor trocado
No entanto, mesmo estes valores não sendo entradas, estes são utilizados para o
calculo das temperaturas de saída do evaporador e do condensador, podendo
fornecer informações valiosas acerca de assinatura de falhas caso essas fossem
implementadas.
Para tanto, foi feita a calibração dos valores de calor trocado no lado ar e no lado
fluido tendo em vista que a principal incerteza a ser reduzida era justamente o
calculo da vazão de ar no evaporador e condensador, já que o método utilizado não
76
Calibração
Perda de carga
(6.25)
Feito isso, foi feita avaliação da perda de carga em termos percentuais que é
mostrada abaixo para o compressor e evaporador.
77
Logo,
(6.26)
Logo,
(6.27)
Tcond vs T8
y = 1.4769x + 20.865
67°C
66°C
66°C
65°C
Tcond vs T8
65°C
Linear (Tcond vs T8)
64°C
64°C
63°C
28.5°C 29.0°C 29.5°C 30.0°C 30.5°C 31.0°C
(6.28)
(6.29)
79
(6.30)
Onde,
R²=0.82
O ajuste foi, então, considerado adequado e pode ser observada sua aplicação na
tabela 6.7 em que foi feito uso da equação 6.30 para calculo da
correspondente. O erro associado ao uso desta expressão segue exposto também
em porcentagem.
80
T5 (°C) UR5 Tevap (°C) T8 (°C) T5wb (°C) Tevap calculado (°C) Erro
24.3 0.475 5.1 26 16.91 5.2021358 2.00%
23.8 0.477 4.5 25 16.54 4.7319002 5.15%
25.4 0.458 5.8 28.5 17.52 6.4349351 10.95%
29.3 0.37 7.2 30.5 18.93 7.2537209 0.75%
29.4 0.371 7.7 31 19.02 7.5060926 -2.52%
25.8 0.42 6.6 27 17.18 5.6905334 -13.78%
30.6 0.354 6.8 29.5 19.57 6.6000491 -2.94%
30.8 0.352 6.3 29.5 19.68 6.5800709 4.45%
(6.31)
(6.32)
(6.33)
(6.34)
Onde:
= 0.1331 m² (6.35)
(6.36)
(6.37)
(6.38)
Onde:
Fluxo de ar no evaporador [kg/s]
Área corrigida de entrada de ar no condensador [m²]
Massa específica do ar [kg/m³]
Entalpia específica [J/kg]
82
=0.1463 m² (6.39)
Segundo Pimenta e Mendoza (1999), falha pode ser definida de diversas formas. A
primeira delas é a consideração de que uma falha é qualquer evento que faz com
que o sistema não seja capaz de desenvolver a sua função. Outra definição é a de
que a falha é um mal funcionamento com consequências catastróficas. Por fim, a
falha pode ser considerada como sendo um desvio na performance de um sistema
acima do limite aceitável, onde falha pode ser interpretada também como um mal
funcionamento.
Segundo Keir e Alleyne (2006) para ambas as etapas existem três métodos
geralmente empregados para o desenvolvimento algoritmo de detecção e
diagnóstico, são elas: método quantitativo baseado em modelo, método qualitativo
baseado em modelo e métodos baseados no histórico do processo.
Quantitativo
Qualitativo
Os métodos qualitativos baseados em modelo, por sua vez, pautam a sua aplicação
no conhecimento prévio do processo sendo analisado para então tirar conclusões
acerca das condições operacionais em que o sistema se encontra. Dentro deste
método se encontram aqueles FDD baseados em regras, como são os de árvore de
falha e os que aplicam física qualitativa. De maneira geral, métodos qualitativos
empregam enorme quantidade de regras para inferir as condições de um processo,
ciclo, planta dado um conjunto de dados que possam representar um possível
comportamento.
Já para aqueles que fazem uso de modelos Gray Box as estimativas realizadas pelo
modelos são, por sua vez, baseadas em um tendência física para tal acontecimento,
no entanto, assim como os Black Box essa abordagem também necessita de
treinamento.
7.2 ETAPAS
Tal etapa pode ser subdividida em outras duas etapas, sendo que a primeira
consiste em um processamento dos dados para gerar indicadores que possam ser
utilizados pela próxima sub etapa, a de classificação, que, com base nestes
indicadores fornecerá um resultado de comportamento faltoso ou não.
Processamento
Classificação
Esta etapa possui uma interface muito intima com a subetapa de classificação na
etapa de detecção, onde é feito, por meio de regras comparativas a identificação de
uma falha. Essa relação é por vezes suprimida quando um equipamento é isolado e
a detecção de falha é feita sobre o mesmo.
Isso significa, portanto, que um problema de diagnóstico de falha pode ser resumido
a um problema de detecção de falha quando é feito o isolamento de um
equipamento e avaliado o seu comportamento. Salvo o fato de que a causa da falha
deverá ser posteriormente determinada.
alarmes, parada da planta, alerta de falha, ignorar a falha, parada imediata da planta
dentre outras ações e recomendações possíveis.
O problema de diagnóstico consiste nas etapas descritas na Figura 7.4, tal que,
primeiro é necessário o levantamento de resíduos ou variações de parâmetros para
posterior análise de um sistema, um código computacional, capaz de avaliar a
existência ou não de uma falha.
sem existência de falha, é gerado um resíduo que poderá indicar que alguma
propriedade medida desvia-se do valor esperado para aquela variável.
Identificado tal desvio está feita a detecção da existência de uma falha, a depender,
é claro, de um limite estabelecido para desvio da mesmo que por sua vez depende
da precisão do modelo desenvolvido.
Verificação de um limite;
Previsão de sinais;
Analise de sinais.
93
Redes neurais;
Lógica fuzzy;
Distância geométrica;
Métodos probabilísticos.
Árvore de falha
8. RECONCILIAÇÃO DE DADOS
8.1. INTRODUÇÃO
8.2. FUNCIONAMENTO
y= (8.1)
Onde,
Quantidade de variáveis medidas no problema
96
x= (8.2)
(8.4)
97
Onde,
Pesos de cada ajuste realizado
A solução dos problemas acima poderá ser analítica, ou, por intermédio de
algoritmos de otimização de funções, sendo que, conforme já mencionado, a
solução com uso de algoritmos de otimização poderá demandar bastante tempo de
processamento, comparado à solução analítica.
Dado os valores medidos y, o valor mais provável para x serão obtidos pela
maximização da função de probabilidade da distribuição normal multivariável. Como
observado na imagem abaixo, em uma distribuição normal bidimensional, o valor do
vetor x se encontraria justamente no valor mais provável da composição das duas
funções. Ou seja, a solução do problema de Reconciliação reside na maximização
deste valor.
98
Max (8.5)
Onde:
Onde:
Matriz de covariância
Vale lembrar que apenas o equacionamento exposto não garante a solução de todo
o problema de reconciliação, é preciso que além disso, os valores obtidos para o
vetor x sejam coerentes com o modelo físico do sistema sendo medido, ou seja,
satisfazer a igualdade da matriz A=0, descrita acima.
Min (8.7)
M1 – M2 – M3 = 0 (8.8)
M3 – M4 = 0 (8.9)
100
M2 + M4 – M5 = 0 (8.10)
A solução analítica para a solução de um problema linear é representada por:
= (8.11)
Onde:
Com a aplicação destes valores sobre a equação 8.11 são obtidos os seguintes
resultados:
= (8.15)
Este resultado por solução analítica pode ser comparado com aquele atingido com o
uso de um algoritmo de otimização como o do software EES, para o qual, a entrada
do modelo e a função objetivo garantem o seguinte resultado:
= (8.16)
Observe que todas as variáveis medidas serão tratadas pela técnica, uma vez que,
todas possuem uma correspondente com índice “r”, que representa, ao fim da
minimização da função objetivo, o valor reconciliado.
Neste caso, são utilizadas 14 variáveis para serem observadas, tal que, as demais
são consequência da variação destas, ou seja, são variáveis observáveis, mesmo
que, no sistema real elas são de fato medidas.
O valor 14 vem do fato de que a otimização fará uso dos graus de liberdade do
sistema para realizar a minimização da função objetivo, isto é, como existem 18
variáveis medidas e, portanto, sendo reconciliados, mas apenas 4 equações que
garantem a existência de 4 redundâncias, o solver de otimização fará uso de 14 das
variáveis medidas, sendo que, as demais 4 são determinadas através das relações
matemáticas entre elas presente no modelo físico.
mH2O, P1, P2, P3, P4, T1, T2, T3,T5, T7, T8, T9, UR5, V5
(8.17)
(8.18)
(8.19)
(8.20)
Onde:
9. RESULTADOS
Embora o sistema proposto como sendo um dos objetivos deste trabalho, sistema
FDD integrado com uma ferramenta de Reconciliação de dados e aquisição
automática de dados não tenha sido desenvolvido, as ferramentas que compõem
este sistema foram, bem como o levantamento de equipamentos necessários para
implantação de um sistema de aquisição automática de dados.
As contribuições deste trabalho para tal fim foram as descritas ao longo deste
trabalho sendo que o resultado da aplicação isolada de cada uma delas, quando
possível, está exposto neste Capítulo. São elas:
Modelagem de referência;
Reconciliação de dados;
Aplicação de metodologia de detecção;
Aplicação de metodologia de diagnóstico.
É possível notar que embora o percentual de ajuste de cada variável tenha variado
bastante entre cada conjunto de dados tratados e entre as próprias variáveis, o
ajuste médio percentual realizado sobre cada conjunto de dados foi bastante
semelhante para cada um dos conjuntos.
105
Tabela 9.3 – Média do percentual absoluto do ajuste realizado sobre cada variável.
Variável Média absoluta dos ajustes
T1 4.67%
T2 8.80%
T3 3.75%
T4 11.14%
T5 4.46%
T7 6.94%
T8 2.84%
T9 3.70%
P1 4.52%
P2 2.99%
P3 3.62%
P4 2.12%
UR5 3.28%
UR7 6.56%
V5 5.62%
V9 7.98%
Welet 9.02%
Na Tabela 9.3, o fato do ajuste realizado sobre as variáveis Welet e T4 terem sido os
mais elevados para o conjunto analisado significa que os valores medidos para
essas variáveis foram os mais modificados para que se adequasse ao modelo físico
do problema.
Para a variável T4, tal fato pode ser decorrente do fato de estar modelada como a
temperatura de saturação para P4, logo, considerando que o valor medido em P4
definitivamente apresenta um erro, esta foi a variável que mais sofreu ajuste.
Outra variável cujo modelo utilizado não parece ter refletido bem a realidade
observada foi Welet, nesse caso, a hipótese de que toda a potência elétrica medida
foi distribuída em trabalho de compressão e potência elétrica para o ventilador pode
ser falha.
107
Tabela 9.4 – Média do percentual absoluto do ajuste realizado sobre cada conjunto de dados.
Conjunto de dados Média absoluta dos ajustes
1 5.20%
2 4.78%
3 5.09%
4 5.20%
5 4.04%
6 5.29%
7 7.63%
8 6.06%
Por fim, os resultados expostos na Tabela 9.4 demonstram que o ajuste médio
imposto sobre cada conjunto de dados não varia tanto entre si o que sugere que a
variação de cada uma das propriedades medidas em relação ao valor real pode ser
aleatória, ou seja, a hipótese de ausência de um erro grosseiro pode ser razoável.
Tabela 9.5 – Diferença percentual entre o valor medido e o valor calculado pela modelagem de
referência.
Conjunto T2 (°C) T7 (°C) T4(°C) P1 (kPa) P2 (kPa) P3 (kPa) COP
1 -1.03% -6.07% 2.00% 1.36% -0.48% 0.68% 1.63%
2 -1.21% -5.76% 5.16% -0.43% -3.32% -2.19% 0.77%
3 7.72% -1.90% 10.95% 1.80% 0.36% -0.08% -15.73%
4 1.30% 2.93% 0.75% -2.07% -0.41% -0.27% -2.70%
5 2.82% 4.37% -2.52% -2.10% 0.79% -0.23% -4.64%
6 2.71% -1.33% -13.77% -2.98% -5.96% -6.03% -6.60%
7 7.11% -0.11% -2.94% 2.42% 3.67% 2.85% -14.72%
8 2.16% 2.17% 4.46% 0.28% 2.07% 1.18% -3.76%
Visto isso, o sistema em estudo foi ensaiado com uma quantidade menor de fluido
refrigerante em vista a simular uma carga de refrigerante inadequada ou vazamento
de refrigerante que pode acometer este tipo de equipamento, ou seja, trata-se da
aquisição de dados operacionais em situação de falha.
Para tanto, segue nas figuras 9.1 e 9.2 a relação da variação de alguns parâmetros
de um ciclo de refrigeração por compressão de vapor devido à baixa carga de
refrigerante, que no presente trabalho, será a falha a ser diagnosticada.
(9.1)
Onde:
Figura 9.1 – Conjunto 1 de resíduos calculados para ensaio com baixa carga de refrigerante.
Adaptado de Kim et al (2006).
Nas figura 9.1 e 9.2, adaptadas de Kim et al. (2006), é possível observar a presença
de quatro linhas para cada um dos comportamentos observados. As linhas são
referentes a diferentes condições de temperatura externa e interna.
Está exposto na tabela 9.7 o comportamento dos resíduos da figura 9.1 em que
foram calculados com uso da equação 9.1 para o caso em estudo. O mesmo vale
para a tabela 9.8 que trás os valores calculados para os parâmetros expostos na
figura 9.2.
Figura 9.2 – Conjunto 2 de resíduos calculados para ensaio com baixa carga de refrigerante.
Adaptado de Kim et al (2006).
Observa-se que alguns dos resíduos calculados para o caso em estudo desviaram
muito além daquilo esperado nas tendências expostas nas figuras 9.1 e 9.2 como,
por exemplo, que é previsto ter variações da ordem de -4°C apresentou variações
da ordem de 20°C no caso estudado.
Tal fato é explicado pelo fato da modelagem desenvolvida depender dos dados de
entrada T1 e T3 que deveriam ser calculados, isso pode implicar uma restrição
quanto à aplicação da modelagem para detecção e diagnóstico de outras falhas, que
não foram abordadas neste trabalho.
114
10.1. MODELAGEM
Tal resultado impossibilita uma detecção de falha com uma boa precisão, isto é, não
se pode estabelecer limites pequenos para a variação de parâmetros e variáveis
sobre falha já que a própria modelagem de referência já impõe um erro considerável
sobre o seu valor, logo, reduz a sensibilidade da detecção de falhas.
Sugestões
Testar abordagens matemáticas para e dado as entradas T5, UR5,
T4, P4, V5 e T8, T2, P2, V9 respectivamente;
Testar calcular a vazão de calibrando a equação de rendimento
volumétrico;
Testar calcular a vazão de pelo dispositivo de expansão calibrando a
equação que representa o fenômeno;
Tornar o modelo completamente independente de entradas de propriedades
do lado refrigerante, como por exemplo, T1 e T3, conforme foi utilizado.
Os resultados obtidos na aplicação da técnica foram coerentes, uma vez que, como
discutido, os resultados que foram mais modificados foram justamente aqueles que
sofriam de maior imprecisão no modelo físico para representar o que de fato ocorre.
Sugestões
Ajustar os pesos utilizados no equacionamento através da calibração dos
instrumentos de medição;
Implantar detecção de erro grosseiro;
Utilizar abordagem de solução analítica da otimização (Lagrange);
Propor um método para avaliar a melhora da qualidade dos dados obtida com
o uso da ferramenta.
116
Sugestões
11. REFERÊNCIAS
AFGAN N. H., RADANOVIC L. M., TIKHONOV A. I., 1994, An expert System for
performance analysis of small refrigerating machines, International Journal of
Refrigeration Vol. 17, No. 8.
BRAUN E. J., COMSTOCK C. M., 1999, Literature Review for Application of Fault
Detection and Diagnostic Methods to Vapor Compression Cooling Equipment,
Research Project 1043-RP Sponsored by ASHRAE.
BRAUN J.E., 1999, Automated fault detection and diagnostics for the HVAC&R
industry, HVAC&R Research, Vol. 5, No. 2, P. 85-86.
CUI J., WANG S., 2005, A Model-based Online Fault Detection and Diagnosis
Strategy for Centrifugal Chiller Systems, International Journal of Thermal
Sciences, Vol.44, P.986-999.
DEXTER A. L., 1995, Fuzzy Model Based Fault Diagnosis, IEE Proceedings-
Control Theory Apply, Vol.142, No.6, P.545-550.
GRIMMELIU H. T., WOUD J. K., BEEN G., 1995, On-line Failure Diagnosis for
Compression Refrigeration Plants, International Journal of Refrigeration Vol.18,
No. 1, P.31-41.
HERBAS T. B., BERLINCK E. C., URIU C. A., MARQUES R. P., PARISE, J. A.,
1993, Steady-State Simulation of Vapour-Compression Heat Pumps,
International Journal of Energy Research, Vol. 17, P. 801-816.
INATSU H., MATSUO H. K., FUJIWARE K., YAMADA Y., NISHIZAWA, 1992,
Development of Refrigerant Monitoring Systems for Automotive Air-
Conditioning Systems, Society of Automotive Engineers, SAE Paper No. 920212.
ISERMAN R., 1984, Process Fault Detection Based no Modeling and Estimation
Method – A survey, Automatica , Vol.20, P.387-404, EUA.
KEIR M. C., ALLEYNE A. G., 2006, Dynamic Modeling, Control, and Fault
Detection in Vapor Compression Systems, University of Illinois, EUA.
KIM M., PAYNE V. W., DOMANSKI A. P., HERMES L. J. C., 2006, Performance of
a Residential Heat Pimp Operating in the Cooling Mode with Single Faults
Imposed, National Institute of Standards and Technology, EUA.
KIM, Y., O'NEAL, D. L., AND YUAN, X., 1994, Two-Phase Flow of HFC-R134a and
CFC-12 through Short-Tube Orifices, ASHRAE Transactions: Symposia, OR-94-2-
2, P. 582-591.
119
LIEBMAN M. J., EDGAR T. F., 1992, Efficient Data Reconciliation and Estimation
for Dynamic Processes Using Nonlinear Programming Techniques, Computers
Chem. Engng. 16 P.963-986.
PÉREZ-SEGARRA C.D., ESCANES F., OLIVA A., 1994, Numerical Study of the
Thermal and Fluid-dynamic Behaviour of Reciprocating Compressors,
Proceedings of the 1994 International Compressor Conference, Purdue University,
P.145-150.
RAHMAN S., RAGAZZI F., SUN R., BATHLA P., 2003, Modeling of an Automotive
Air Conditioning System and Validation with Experimental Data, SAE World
Conference, Society of Automotive Engineers. SP-1733: P. 35-40.
ROSSI T. M., BRAUN J. E., 1997, A statistical, rule-based fault detection and
diagnostic method for vapor compression air conditioners, International Journal
of Heating, Ventilating, Air Conditioning and Refrigerating Research 3, P. 19-37.
120
SIMPSON D. E., VOLLER V. R., EVERETT M. G., 1991, An Efficient Algorithm for
Mineral Processing Data Adjustment, Int. J. Miner. Proc. 31 P.73-96.
STALLARD L. A., 1989, Model Based Expert System for Failure Detection and
Identification of Household Refrigerators, Dissertação de Mestrado na Purdue
University, EUA.
YOSHIMURA M., ITO N., 1989, Effective Diagnosis Methods for Air-Conditioning
Equipment in Telecommunications Buildings, The Eleventh International
Telecommunications Energy Conference Vol2 P. 1-7.
APÊNDICE
A. MODELAGEM DE REFÊNCIA
"MODELAGEM DE REFERÊNCIA"
h5=enthalpy(AirH2O,T=T5,P=Patm,w=w5)
w5=humrat(AirH2O,T=T5,P=Patm,R=UR5)
w7=humrat(AirH2O,T=T7,P=Patm,R=UR7)
h7=enthalpy(AirH2O,T=T7,P=Patm,w=w7)
h8=enthalpy(Air,T=T8)
h9=enthalpy(Air,T=T9)
A5=0.1330625
V5=2.5
Rho_ar5=DENSITY(AirH2O,T=T5,P=Patm,w=w5)
m5=A5*V5*Rho_ar5
Rho_ar9=density(Air,T=T9,P=Patm)
m9=A9*V9*Rho_ar9
A9=0.1463
V9=2.05
Qevap=m5*(h5-h7)
Qcond=m9*(h9-h8)
Patm=101.3
h1=enthalpy(R22,T=T1,P=P1+Patm)
h2=enthalpy(R22,T=T2,P=P2+Patm)
h3=enthalpy(R22,T=T3,P=P3+Patm)
h4=enthalpy(R22,T=T4,x=x4)
P4a=P_sat(R22,T=T4)
P4=P4a-Patm
Qevap=m_ref1*(h1-h4)
Qcond=m_ref1*(h2-h3)
h3=h4
Wcomp=m_ref1*(h2-h1)
P3=P2*0.968
P1=P4*0.9657
R=0.09614895339
n=1.191
Coef=(-0.0063*T1+1.1187)
T2k=1.00757575*Coef*T1k*((P2/P1)^((n-1)/n))
123
T2k=T2+273.15
T1k=T1+273.15
T5wb=WetBulb(AirH2O,T=T5,r=UR5,P=Patm)
Tcond=(1.4769*T8)+20.865
Tevap=-5.6999793+(0.53743539*T8)-(0.1816168*T5wb)
Tcond=T_sat(R22,P=P2+Patm)
Tevap=T_sat(R22,P=P4+Patm)
TC=Tcond
TE=Tevap
C1=484.537
C2=6.6764922
C3=-10.15855
C4=0.050789430
C5=-0.051625820
C6=0.0915899
C7=0.000052522
C8=-0.000142387
C9=0.000194443
C10=-0.000297785
m_ref1=m_refx/3600
COP=Qevap/Wcomp
124
"RECONCILIAÇÃO DE DADOS"
"As 14 variáveis mencionadas como objeto da otimização para realizar a reconciliação de dados são:
mH2Or ; P1r ; P2r ; P3r ; P4r ; T1r ; T2r ; T3r ; T5r ; T7r ; T8r ; T9r ; UR5r ; V5r
"
"Constantes"
patm=101.135
P5=patm
P7=patm
A5=0.1443
welet_vent=0.374
P8=patm
P9=patm
A9=0.2294
"Variáveis medidas"
"Evaporador"
T5=27.9
UR5=0.513
V5=2.02
T7=17.1
UR7=0.784
mH2O=0.0004444444
T1=22.5
P1=490
"DXP"
T3=31.2
P3=3120
T4=4.8
P4=630
"Compressor"
T2=130
P2=3200
Welet=2.7
"Condensador"
T9=48.7
V9=1.41
T8=26
"Modelo"
Rho_ar5=density(AirH2O,T=T5r,P=P5,w=w5)
w5=humrat(AirH2O,T=T5r,P=P5,R=UR5r)
h5=enthalpy(AirH2O,T=T5r,P=P5,w=w5)
w7=humrat(AirH2O,T=T7r,P=P7,R=UR7r)
h7=enthalpy(AirH2O,T=T7r,P=P7,w=w7)
125
h1=enthalpy(R22,T=T1r,P=P1r+patm)
m5=A5*V5r*Rho_ar5
mH2Or=m5*(w5-w7)
hH2O=enthalpy(Water,T=T4,P=Patm)
Qevap_ref=m_ref*(h1-h4)
Qevap_ar=(m5*(h5-h7))-(mH2Or*hH2O)
Qevap_ref=Qevap_ar
h4=h3
x4p=Quality(R22,P=P4+patm,h=h4)
x4pr=Quality(R22,P=P4r+patm,h=h4)
tsatp4r=T_sat(R22,P=P4r+patm)
x4t=Quality(R22,T=T4,h=h4)
x4tr=Quality(R22,T=T4r,h=h4)
psatt4r=P_sat(R22,T=T4r)
x4pr-x4tr=0
Weletr=m_ref*(h2-h1)+Welet_vent
h2=enthalpy(R22,T=T2r,P=P2r+patm)
Rho_ar9=density(Air,T=T9r,P=P9)
m9=A9*V9r*Rho_ar9
h3=enthalpy(R22,T=T3r,P=P3r+Patm)
h8=enthalpy(Air,T=T8r)
h9=enthalpy(Air,T=T9r)
Qcond_ref=m_ref*(h2-h3)
Qcond_ar=m9*(h9-h8)
Qcond_ref=Qcond_ar
"Função Objetivo"
CONJUNTOS DE DADOS
Variável 1 2 3 4
T1(°C) 26.3 26.5 24.3 24.7
T2(°C) 109.2 115.4 102.3 108.8
T3(°C) 29.2 29.7 26.5 27.2
T4(°C) -15.46 -15.46 -19.38 -19.38
P1(kPa) 190 190 150 150
P2(kPa) 2169 2118 1387 1395
P3(kPa) 2100 2050 1343 1350
P4(kPa) 190 190 150 150
T5(°C) 27.4 27.9 25.4 26.1
T7(°C) 22.2 22.5 22.3 22.4
T8(°C) 27 27.8 25.1 25.8
T9(°C) 35.3 34.9 30.4 31.2
UR5 0.465 0.454 0.552 0.537
UR7 0.566 0.55 0.612 0.601
V5(m/s) 2.5 2.5 2.5 2.5
V9(m/s) 2.05 2.05 2.05 2.05
Wcomp(kW) 1596 1580 1588 2180
127
Tabela E.1 – Estado de referência previsto para dados com baixa carga de refrigerante.
Conjunto 1 Conjunto 2 Conjunto 3 Conjunto 4
Variável Medido Referência Medido Referência Medido Referência Medido Referência
T5(°C) 24.3 24.3 23.8 23.8 25.4 25.4 29.3 29.3
UR5 0.465 0.465 0.454 0.454 0.552 0.552 0.537 0.537
T7(°C) 14.09 16.18 13.57 15.57 15.01 18.81 17.19 23.22
UR7 0.566 0.566 0.55 0.55 0.612 0.612 0.601 0.601
T8(°C) 27 27 27.8 27.8 25.1 25.1 25.8 25.8
T9(°C) 35.3 46.72 34.9 47.54 30.4 44.86 31.2 45.07
T1(°C) 26.3 26.3 26.5 26.5 24.3 24.3 24.7 24.7
T2(°C) 109.2 98.2 115.4 98.34 102.3 100 108.8 101.4
T3(°C) 29.2 29.2 29.7 29.7 26.5 26.5 27.2 27.2
T4(°C) -14.1 5.768 -14.1 6.304 -18.9 4.328 -18.6 4.152
P1(kPa) 190 480.1 190 489.8 150 454.6 150 451.6
P2(kPa) 2200 2366 2200 2429 1420 2220 1420 2273
P3(kPa) 2100 2290 2050 2352 1343 2149 1350 2200
P4(kPa) 180 497.2 180 507.2 150 470.8 150 467.6