[pt] APLICAÇÃO DA REDE NEURAL SIAMESA PARA DETECÇÃO DE FALHAS EM PROCESSOS INDUSTRIAIS NA PRODUÇÃO DE POLIESTIRENO

[en] APPLICATION OF SIAMESIS NEURAL NETWORK FOR FAULT DETECTION IN INDUSTRIAL PROCESSES IN THE PRODUCTION OF POLYSTYRENE

[pt] FRANCISCO JOSE BUROK T L STRUNCK

[pt] DETECCAO DE FALHAS

[pt] REDES NEURAIS SIAMESAS

[pt] POLIMERIZACAO DO POLIBUTADIENO

[pt] ESTIRENO

[pt] INDUSTRIA 4 0

[en] FAULT DETECTION

[en] SIAMESE NEURAL NETWORKS

[en] POLYMERIZATION OF POLYBUTADIENE

[en] STYRENE

[en] INDUSTRY 4 0

[pt] Os processos industriais enfrentam novos desafios com o avanço da Indústria 4.0 e a crescente demanda por melhorias na detecção de falhas. A detecção de falha fundamenta-se em diversas técnicas de métodos estatísticos e aprendizado de máquina. Embora sejam eficazes, possuem algumas desvantagens, tais como simplificação do processo, baixa capacidade em lidar com ruído, baixa capacidade em lidar com sistemas complexos não lineares, alta demanda computacional e risco de de overf itting. Em resposta a essas limitações, este trabalho apresenta uma abordagem inovadora na área da polimerização empregando redes neurais siamesas (SNNs) e células long short-term memory (LSTM) para a detecção precoce de falhas na polimerização de estireno. Foi realizado a modelagem da polimerização do estireno em reator CSTR utilizando o método dos momentos para o balanço de massa e energia e, neste sistema, foi adicionado controle proporcional-integral-derivativo (PID) para simular uma situação real de controle de processo no contexto de um processo industrial. A partir do modelo foi possível obter treze simulações, das quais cinco são processos sem falha e oito são processos com falhas. Esses dados foram tratados e serviram para treinar as redes siamesas. Com a capacidade de classificar se esses dados de entrada são semelhantes ou diferentes, foi possível realizar a detecção de falha. Os resultados encontrados demonstram uma taxa de detecção de falhas com uma acurácia de até 100 por cento, demonstrando a capacidade desse modelo em detectar falhas em processos químicos complexos, dinâmicos e não-lineares. Este estudo representa um avanço significativo no campo da detecção de falhas, oferecendo oportunidades valiosas para futuras investigações e aprimoramentos em sistemas inteligentes de detecção de falhas na indústria química.

[en] Industrial processes face new challenges with the advancement of Industry 4.0 and the increasing demand for improvements in fault detection. Fault detection is based on various techniques of statistical methods and machine learning. Although effective, they have some disadvantages, such as process simplification, low capacity to deal with noise, low capacity to deal with complex nonlinear systems, high computational demand, and risk of overfitting. In response to these limitations, this work introduces an innovative approach on the polymerization field that employs siamese neural networks (SNNs) and long short-term memory (LSTM) cells for early detection of faults in styrene polymerization. The modeling of styrene polymerization in a CSTR reactor was carried out using the method of moments for mass and energy balance, and in this system, proportional-integral-derivative (PID) control was added to simulate a real process control situation in the context of an industrial process. From the model, it was possible to obtain thirteen simulations, of which five are non-fault processes and eight are processes with faults. These data were processed and used to train the siamese networks. With the ability to classify whether these input data are similar or dissimilar, it was possible to perform fault detection. The results found demonstrate a fault detection rate with an accuracy of up to 100 percent, demonstrating the capability of this model in detecting faults in complex, dynamic, and nonlinear chemical processes. This study represents a substantial advance in the field of fault detection and also offers valuable findings for future investigations and improvements in intelligent fault detection systems in the chemical industry.

AMANDA LEMETTE TEIXEIRA BRANDAO

KARLA TEREZA FIGUEIREDO LEITE

KARLA TEREZA FIGUEIREDO LEITE

AMANDA LEMETTE TEIXEIRA BRANDAO

ANDREA PEREIRA PARENTE

MARILIA CAROLINE CAVALCANTE DE SA

2025-01-14

2023-11-22

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69159@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69159@2

https://doi.org/10.17771/PUCRio.acad.69159