Resumo: A natureza transiente dos processos industriais e erros operacionais exigem atenção especial aos limites inferior e superior de variáveis críticas ao processo. A atividade de verificação se essas variáveis estão dentro de sua faixa normal é chamada de detecção de falhas. A ocorrência de falhas traz conseqüências indesejáveis à eficiência do processo. As falhas podem ser identificadas pela análise de seus sintomas, como trocas térmicas indesejadas, baixos níveis de purificação e reatividade. A ocorrência freqüente de falhas reduz a vida útil dos equipamentos, aumentando os custos de produção. O presente estudo desenvolve uma metodologia de detecção de falhas baseada em redes neurais, que é aplicada num reator de pirólise do etano, um processo muito importante na indústria petroquímica. A conversão do etano e a seletividade do etileno são os parâmetros usados para definir as condições de falha e normalidade. Um simulador do processo foi usado para selecionar as faixas de operação para o treinamento da rede, que é feito com o algoritmo de aprendizado supervisionado backpropagation. Também é mostrada a influência dos parâmetros de aprendizado mais importantes sobre a convergência e o desempenho de detecção de falha, ou seja, a capacidade de reconhecer os vários modos de operação do reator. Diferentes arquiteturas de redes são usadas e os valores de taxa de aprendizado e termo de momentum são variados. Para haver uma maior aproximação com um processo real, os dados processados contém vários níveis de ruído: baixo, médio, alto e muito alto. A partir de simulações, observou-se que o sistema de detecção apresentou desempenho satisfatório para redes com duas camadas ocultas, com vários nódulos. As redes com menos parâmetros livres não apresentaram uma porcentagem de classificação correta aceitável Ver menos

Abstract: The transient nature of the industrial processes and operational errors demand special attention to the upper and lower critical limits of the process variables. The activity to verify whether the variables are within normal operation range is called fault detection. The fault occurrence brings undesired consequences to process efficiency. Faults may be identified through the analysis of its symptoms, such as undesired thermal exchanges, low purification level or reaction yields. Frequent fault occurrence equipments lifetime, increasing production costs. The present work intends to develop a fault detection methodology based on neural network. It is applied to ethylene production from ethane pyrolysis. This is an important reaction iri the petrochemical.processes. The ethane conversion and ethylene selectivity are the parameters used to define the normal and faul ty operational conditions. A process simulator was used to select the critical variable ranges for the neural network learning procedure. The supervised backpropagation algorithm was used. It is also intended to show the influence of the most important learning parameters over the convergence and fault detection performance, i. e., the capability to recognize the various modes of faults and the normal operation of a pyrolysis reactor. Different neural networks architectures are used and the momentum term and learning rate are varied over a convenient range. In order to get closer to the real industrial operational condition, the patterns sets of low, medium, high and very high noise level are analyzed. It was observed from numerical simulations tests that the developed fault detection presented good performance for some two hidden layers architectures with several hidden nodes. The neural networks with less free parameters did not present acceptable correct classification rate Ver menos