Curso DVR

1.139 visualizações

Publicada em

Titulo: Curso DVR
Alunos:Rodrigo Zanin,Marco Coghi,
Cidade:
Disciplina:
Turma:
Data:31-05-2012
Hora:11:46
Publico até ápos a correção

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
1.139
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
13
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Curso DVR

  1. 1. Balanço de Massa comReconciliação & Certificação de Dados Um programa de melhorias rumo à Excelência Operacional
  2. 2. Balanço de Massa comReconciliação & Certificação de Dados• O que é?;• Por que reconciliação?• Primeiros trabalhos;• Importância;• Áreas de Aplicação;
  3. 3. “Estou enxergando bem?” Limites teóricos Nitidez! Aumentar a Lucratividade
  4. 4. “Estou enxergando bem?”
  5. 5. Reflexão com implicações práticasQuais são no processo as áreas, setores ouequipamentos onde julgamos haver “problemasde nitidez”
  6. 6. Toda medida tem errosUma medida física é um “estimador” do valorverdadeiro e sempre tem erros associados.
  7. 7. Toda medida tem erros
  8. 8. Toda medida tem erros
  9. 9. Toda medida tem erros
  10. 10. Toda medida tem erros
  11. 11. Toda medida tem erros Exatidão × Precisão I. Preciso e Exato; II. Impreciso e Exato; III.Preciso e inexato; IV.Impreciso e inexato.
  12. 12. Toda medida tem errosTipos de Erros:• Aleatórios;• Viéses (biases);• Valores espúrios (outliers);
  13. 13. Toda medida tem errosFontes de Erros:• Instrumento descalibrado;• Modelagem inadequada;• Leitura fora de faixa;• Frequência de amostragem inadequada;• Não linearidade do instrumento;• Erro de transmissão;• Densidade do fluido incorreta ou variável;
  14. 14. Reflexão com implicações práticasListar na Tabela 1 o máximo de informaçõesdisponíveis sobre a instrumentação de umequipamento escolhido.NOTAS• Entender o “Impacto” como importância sobre o controle ou na geração de KPIs, com avaliação de 1 a 5;• Classificação quanto à exatidão e precisão;
  15. 15. O que pode ser feito para aumentar a nitidez do processo?... E o que vamos precisar para isso.
  16. 16. Dados, dados e mais dados Quantidade ($↓) Disponibilidade(Capacidade de Armazenamento↑ e Velocidade de Recuperação↑)
  17. 17. Qualidade do Dado• Começa com a precisão do instrumento dada pelo fornecedor;• Correção da precisão no tempo;
  18. 18. Estrutura do Processo Topologia
  19. 19. Funcionamento dos Equipamentos
  20. 20. “Quem tem um relógio sabe as horas...” Redundância
  21. 21. Redundância10kg/min 35kg/min Corrente 1 A Corrente 3 Corrente 225kg/min
  22. 22. Reflexão com implicações práticasIndicar a instrumentação no diagrama de umequipamento e observar redundâncias.
  23. 23. Reconciliação de Dados O que é, como se faz?• Disponibilidade de dados;• Conhecimento sobre a qualidade dos dados;• Estrutura do processo (modelos);• Conhecimento sobre o funcionamento de cada equipamento (modelos);• REDUNDÂNCIA;
  24. 24. Reconciliação de Dados O que é, como se faz? com redundância f
  25. 25. Reconciliação de Dados O que é, como se faz? sem redundância f
  26. 26. Reconciliação de Dados Classificação de Variáveis Redundantes Medidas Não Redundantes ObserváveisNão Medidas Não Observáveis
  27. 27. Reconciliação de Dados Classificação de Variáveis
  28. 28. Reconciliação de Dados Classificação de Variáveis
  29. 29. Reconciliação de Dados Classificação de Variáveis
  30. 30. Reconciliação de Dados Formulação matemática
  31. 31. Reconciliação de Dados Formulação matemática Vetor das Estimativas
  32. 32. Reconciliação de Dados Formulação matemática 1 A 3 2
  33. 33. Reconciliação de Dados O caso linear estacionário• Balanços mássicos globais;• Estado estacionário;• Modelo mais simples e “perfeito”;• Aplicação mais comum.
  34. 34. Reconciliação de Dados KPIs
  35. 35. Reconciliação de Dados Acessórios
  36. 36. Pré-condicionamento dos dados• Médias em janela móvel;• Filtros;
  37. 37. Detecção de Erros GrosseirosErros grosseiros (erros sem a característica doruído branco – erro aleatório) podem estarpresentes entre as leituras. A reconciliação nãofunciona com eles!
  38. 38. Detecção de Erros GrosseirosFontes de erros grosseiros:• Viéses na instrumentação;• Vazamentos/perdas de material e energia;• Valores espúrios verdadeiros;• Partidas do estacionário;
  39. 39. Detecção de Erros GrosseirosTratamento de erros grosseiros:• Identificar a existência;• Identificar a localização;• Identificar a quantidade;• Identificar o tipo (viés ou vazamento);• Determinar a dimensão;Ações:• Eliminar a medida contendo o erroou• Corrigir a medida ou o modelo;e• Rodar a RD novamente;
  40. 40. Detecção de Erros GrosseirosAlguns testes para DEG:• Teste global;• Teste nodal;• Teste da medida;
  41. 41. Fluxo da Reconciliação e Certificação de Dados Dados Modelos Não Observável Pré- Classificação decondicionamento Variáveis Observável Coaptação deNão Redundante Redundante Dados Qualidade Reconciliação de Elim. ou Correção do Dado Dados de Variáveis Estimativas Detecção de Erros Grosseiros Publicar Estimativas Reconciliadas
  42. 42. Reconciliação e Certificação de Dados Benefícios• Retrato mais fiel das eficiências;• Estimar variáveis não medidas;• Contabilidade mais precisa;• Detecção de problemas na instrumentação (manutenção preventiva);• Detecção de vazamentos;• Controle avançado;• Otimização;
  43. 43. Reflexão com implicações práticasListar na Tabela 2 eventos suspeitos de perdasde matéria, indicando a fonte, o que deve serfeito, o respectivo investimento e a prioridade.
  44. 44. Reconciliação de Dados CasesAplicação a um reator de polimerização (BA, Brasil) – Aplicação em tempo real; – Janela móvel de tempo de 2 horas com leituras a cada 5 minutos; – Com e sem balanço energético; – Resultados off-line: somente análises de dados sem retorno de dados para o processo; – Encontraram soluções para a degradação da qualidade do polímero e sugeriram mudanças no processo (vz. cat.). FONTE: Simultaneous Data Reconciliation and Parameter Estimation in Bulk Polypropylene Polymerizations in Real Time, Diego Martinez Prata, Enrique Luis Lima, José Carlos Pinto, Macromol. Symp. 2006, 243, 91–103
  45. 45. Reconciliação de Dados CasesAvaliação do impacto da implantação da RD em umarefinaria de petróleo da Petrobras (REFAP-RS). – Avaliação do impacto; – Aumento da confiança nos dados de processo; – O sistema de RD reduziu o índice de perdas de 1,09% para 0,34%; – Redução mensal de perdas na ordem de R$ 1,6x106. FONTE: Implantação de Sistema de Reconciliação de Dados em uma Refinaria de Petróleo, Idney José Gil Cordão, Escola de Administração/UFBA, Dissertação de Mestrado, 2005
  46. 46. Digital Plant
  47. 47. Referências• BAGAJEWICZ, Miguel J., Smart Process Plants – Software and Hardware Solutions for Accurate Data and Profitable Operations, McGraw-Hill, 2010.• BARBOSA, Agremis Guinho, Desenvolvimento de um Software para Detecção de Erros Grosseiros e Reconciliação de Dados Estática e Dinâmica de Processos Químicos e Petroquímicos, tese de doutorado, UNICAMP, 2008.• BARBOSA, Agremis Guinho e COGHI, Marco, Balanço de Massa com Reconciliação e Certificação de Dados, artigo técnico, http://www.cbta.com.br/index.php/balanco-de-massa-industrial;• Data Reconciliation LinkedIn Group, http://www.linkedin.com/groups?home=&gid=2395227&trk=anet_ug_hm• NARASIMHAN, Shankar e JORDACHE, Cornelius, Data Reconciliation & Gross Error Detection, Gulf Publishin Company, 2000.• ROMAGNOLI, José A. e SÁNCHEZ, Mabel Cristina, Data Processing and Reconciliation for Chemical Process Operations, Academic Press, 2000.• SOUDEK, Ales, Data reconciliation and data quality, OSI Software, Inc.

×