Novas metodologias para compressão de dados de processos e para o ajuste do Sistema PI

Abstract

A consolidação da automação na indústria química trouxe um desafio: transformar o grande volume de dados provenientes dos processos em informação útil. Com o advento dos sistemas digitais, a expansão no desenvolvimento de sensores e métodos de amostragem possibilitou a aquisição de uma elevada quantidade de dados advindos do campo industrial, de forma que, atualmente, engenheiros e operadores dificilmente carecem de informações sobre as diferentes variáveis de um processo. Os algoritmos para compressão de dados de planta surgiram como alternativa para reduzir o espaço de armazenamento demandado por essas informações. Comprimir dados significa gravar apenas uma porção da informação original, devendo-se preservar, no entanto, as características importantes que elas carregam. Ultimamente, não é apenas o espaço em disco que deve ser priorizado quando se fala em compressão. É necessário que os dados sejam fieis às reais informações do processo e, além disso, devem ser recuperados e transmitidos em velocidade razoável. Neste trabalho são apresentadas duas metodologias para a compressão de dados de processos químicos. Para tanto, são utilizadas técnicas para o cálculo da derivada de sinais ruidosos e curvas polinomiais (splines cúbicas) que preservam as características dos dados. Também são propostas sistemáticas para o ajuste automático dos parâmetros nas rotinas de compressão do sistema PI da OSIsoft®. A fim de avaliar essas propostas, foram utilizados alguns estudos de caso, compreendendo sinais reais de uma planta laboratorial e outros artificiais gerados por simulação computacional, abrangendo dinâmicas distintas e características peculiares. Os resultados mostram que os algoritmos são promissores para gravar dados de processos sem que se perca a essência da informação, a qual armazenada pode ser transformada em conhecimento sem prejuízo da qualidade em termos dinâmicos e estáticos.

The consolidation of the automation in the chemical industry has brought a challenge: translating the large volume of data in useful information. With the advent of digital systems, the expansion in the development of sensors and sampling methods allowed the acquisition of a large amount of data from the process field. Thus, nowadays, engineers and operators rarely suffer from lack of information arising from the several process variables. The algorithms for data compression appeared as an alternative to reducing the storage space demanded by these information. Data compressing means to record only a portion of the original information, preserving, however, the relevant features that they hold. Recently, is not only the disk space that must be prioritized when one talks about compression. It is necessary data to be reliable to the actual process information, and, moreover, must be retrived and transmitted at an aceptable speed. In this work, two methodologies for data compression of chemical processes are presented. Therefore, techniques to estimate derivatives of noisy signals and polynomial curves (cubic splines), which preserve the data features, are used. Also, systematic approaches to automate the tuning of the parameters in the OSIsoft® PI System® compression routines are proposed. In order to evaluate these proposals, some case studies are taken, composed by real signals, from a laboratorial plant, and artificial ones generated by computacional simulation, embracing diversified dynamics and peculiar features. The results show that the proposed algorithms are promising to store processes data without significant loss of information, which can be converted in knowledge without jeopardizing the quality in static and dynamic aspects.