Detecção de Falhas em Malhas de Controle Utilizando Algoritmo Imunológico

Transcrição

1 Detecção de Falhas em Malhas de Controle Utilizando Algoritmo Imunológico 1 Rhaisa Souza Tavares; 2 Cleonilson Protásio de Souza; 3 Marcus André Ramos Berger 1 Mestranda Engenharia Elétrica, Universidade Federal do Maranhão; 2 Dr Prof Universidade Federal da Paraíba; 3 M.Sc Eng Consórcio de Alumínio do Maranhão rhaisastavares@yahoo.com.br, protasio@cear.ufpb.br, marcusarb@gmail.com Abstract - Nowadays, fault monitoring and diagnosis of industrial processes are becoming even more necessary due the increasing demand for quality, reliability and safety issues that these processes need to achieve. The production interruption by an unexpected failure may put at risk staff safety, cause environmental impact, economical losses and high cost to repair damaged equipments. However, because the complexity of modern processes, automatic or manual faults detection is turning into a hard task. In this way, this work presents a novel method for automatic fault detection in control loops applying Artificial Immune Systems. The proposed method is able to verify abnormal conditions based on its normal operation. Simulation results illustrate the effectiveness of the method. Keywords: Artificial Immune Systems, Negative Selection Algorithm, Fault Detection, Control Systems Resumo - Atualmente, o monitoramento e o diagnóstico de falhas em processos industriais têm se tornado cada vez mais necessário devido ao aumento crescente da demanda por qualidade, confiabilidade e segurança. A interrupção da produção por alguma anomalia imprevista pode colocar em risco a segurança dos operadores, provocar impactos ambientais, perdas econômicas e altos custos com a reparação de equipamentos danificados. Entretanto, devido a complexidade dos processos atuais, a detecção manual ou mesmo automática de falhas está se tornando uma tarefa difícil. Dessa forma, neste trabalho é apresentado um método automático de detecção de falhas em malhas de controle utilizando Sistemas Imunológicos Artificiais que, ao invés de detectar padrões préestabelecidos de falhas, verifica condições anormais ou falhas de operação baseando-se nas condições consideradas normais. Resultados de simulações são apresentados para comprovar a eficiência do método. Palavras-chave: Sistemas Imunológicos Artificiais, Algoritmo de Seleção Negativa, Detecção de Falhas, Sistemas de Controle I. INTRODUÇÃO Estudos na área de Monitoramento e Detecção de Falhas em processos industriais têm sido estimulados devido à necessidade do aumento crescente da qualidade, confiabilidade e segurança nesses processos, em que a interrupção da produção por alguma anomalia imprevista pode colocar em risco a segurança dos operadores, provocar impactos ambientais e/ou perdas econômicas e atingir altos custos com a reparação de equipamentos danificados. A detecção e isolamento de falhas em sistemas de controle é um problema que tem recebido grande atenção da indústria e da comunidade acadêmica nos últimos anos. A detecção rápida, ou até mesmo prévia, enquanto o processo ainda opera sob condições aceitáveis, pode ajudar a evitar a progressão dos eventos anormais e reduzir eventuais perdas de produtividade. Entretanto, atualmente, esta tarefa ainda permanece predominantemente manual e, devido à complexidade dos processos industriais modernos, a tarefa de operadores humanos lidarem com a detecção de falhas tem se tornado cada vez mais difícil e perigoso, pois cerca de 70% dos acidentes industriais são causados por erros humanos (VENKATASUBRAMANIAN, 2002). Dessa forma, é promissor o uso de técnicas automáticas de detecção de falhas que, além de diminuírem o fator humano no processo de detecção, podem ser de grande valor para as atividades de manutenção da planta industrial, contribuindo para a manutenção preditiva, permitindo um melhor planejamento das atividades de manutenção ou ainda reduzindo o tempo de localização de falhas (KOURTI, 2002). Em outro contexto, ferramentas algorítmicas baseadas em Sistemas Imunológicos Artificiais (SIA) têm se mostrado bastante eficientes na detecção prévia de anomalias. Os algoritmos oriundos de SIA são inspirados no sistema imunológico biológico e assim possuem capacidade de detecção e proteção do organismo contra agentes patogênicos. Entre suas características relevantes estão: unicidade (resposta específica e única a um ataque), aprendizagem, memória e detecção de anomalias. Uma das mais importantes ferramentas extraídas de SIA é o Algoritmo de Seleção Negativa (ASN) por sua eficiente aplicação no monitoramento automático de erros (FORREST, 2000). Este algoritmo é inspirado no mecanismo utilizado pelo sistema imunológico para maturar células de defesa tipo T para o reconhecimento de células próprias e não-próprias ao organismo (DASGUPTA, 1997; SOUZA, 2008). Nesses contextos, apresenta-se neste trabalho um método para a detecção de falhas em malhas de controle baseado em SIA. O método verifica todas as condições anormais ou de falhas de operação baseando-se no histórico de operações consideradas normais ou aceitáveis presente no processo. Atualmente, esses históricos são amplamente disponíveis devido aos modernos sistemas SCADA e SDCD e seus grandes bancos de dados (SEBORG, 2004). O método proposto não necessita de modelos que poderiam inserir novas incertezas na detecção ou assinaturas de falhas que limitam a capacidade de detecção (VENKATASUBRAMANIAN, 2003). Da mesma forma como o sistema imunológico dos seres vivos, o 57

2 objetivo é identificar quando o sistema de controle estiver operando inadequadamente. O trabalho é organizado da seguinte forma: na Secção II serão discutidos alguns tipos de falhas comuns em sistemas de controle e como essas falhas são simuladas neste trabalho a fim de testar as características da técnica proposta. Uma breve revisão teórica dos Sistemas Imunológicos Artificiais é realizada na Secção III. Na Secção IV, o método proposto de detecção de falhas é apresentado. Então, são apresentados exemplos que comprovam a eficácia da técnica na Secção V. Finalmente, as conclusões são descritas na Secção VI. II. FALHAS EM MALHAS DE CONTROLE Os sistemas de controle são utilizados para garantir a operação do processo em condições desejáveis de segurança e eficiência. Genericamente, esses sistemas são formados por sensores, controladores e atuadores e, entre estes, estão os meios de transmissão da informação compostos, atualmente, de modernas redes de controle industriais. Esses sistemas possuem a configuração apresentada na Figura 1 em que C(s) representa o controlador, F(s) o atuador, G(s) o processo a ser controlado e H(s) a estrutura de medição composta por sensores e meios de transmissão de sinal. O sinal y representa a variável de processo a ser controlada ou variável controlada, r o sinal referência para o controlador, e o erro e u a variável manipulável, o sinal de controle associado. Figura 1: malha de controle. Todos os componentes vistos na Figura 1 estão sujeitos a falhas principalmente devido aos seguintes fatores: fadiga, falta de manutenção, especificação, instalação ou operação incorreta. Além desses, grandes variações imprevistas do processo ou a sintonia inadequada do controlador que cause a degradação do desempenho do sistema também devem ser considerados como situações anormais. Um sistema automático de monitoramento de falhas deve ser capaz de detectar estas situações. Como são inúmeros os tipos e as formas de representação de falhas em sistemas de controle, neste trabalho somente alguns tipos serão utilizadas para demonstrar a aplicação do método, conforme visto a seguir. A. Falhas em Atuadores Nos sistemas de controle industriais, os atuadores podem se apresentar de diversas maneiras, tais como, por exemplo, válvulas, motores, bombas, entre outros. Entre esses atuadores, a detecção de falhas em válvulas de controle tem recebido bastante atenção recentemente. Estima-se que 30% dos problemas de oscilação em malhas de controle se devem a problemas com válvulas (CHOUDHURYA, 2005). Neste trabalho, os exemplos apresentados serão baseados neste tipo de atuador. As válvulas são utilizadas para controle de vazão e pressão e estão entre os principais atuadores utilizados na indústria. As válvulas podem apresentar um comportamento altamente não-linear indesejado devido à ocorrência de stiction, backlash ou banda morta. A falha mais comum é o efeito stiction, no qual a válvula opera sob elevada fricção estática e viscosa. Isto faz com que a válvula responda apenas quando o sinal de controle é grande suficiente para vencer a fricção, o que pode também levar à abertura excessiva da válvula. Este efeito causa oscilação da variável manipulada e conseqüentemente da variável controlada. Variáveis oscilatórias são as principais causas de baixo desempenho em sistemas de controle e o grande desafio é detectar a causa raiz desse efeito em sistemas com dezenas de malhas. Neste trabalho, a fricção é modelada simplificadamente através do efeito da Fricção Viscosa e de Coulomb, dada por:. (1) Em (1), o offset b representa a Fricção Estática, o ganho linear k representa a Fricção Viscosa e u o sinal do controlador. Além da fricção, o efeito stiction também apresenta a característica de banda morta (CHOUDHURYA, 2005). B. Falhas em Sensores As falhas que podem ocorrer em sensores e nos meios de transmissão dos sinais associados podem ocorrer em inúmeras formas. As mais comuns são ruído excessivo, perda de sinal devido a problemas de comunicação, atenuação e distorção do sinal devido à operação do sensor fora de sua especificação. Neste artigo, as falhas de sensores são representadas através da perda da realimentação, da injeção de ruído branco ou da alteração da resposta dinâmica do sensor acarretando a atenuação e retardo do sinal. III. SISTEMAS IMUNOLÓGICOS ARTIFICIAIS O sistema imunológico compreende todos os mecanismos de proteção do organismo contra agentes patogênicos, tais como: bactérias, vírus e moléculas estranhas ao corpo. Uma de suas principais finalidades é reconhecer todas as células dentro do corpo e classificálas como próprias ou não-próprias ao corpo. Existem dois tipos principais de mecanismos de defesa: o inato e o adquirido (ou específico ou ainda adaptativo). Quando o organismo é invadido por um agente patogênico, o sistema inato é o primeiro a ser acionado. Em muitos casos, essa resposta protege por si só o organismo. Caso isso não aconteça, o sistema adaptativo é acionado. Como esta ação é mais específica, a resposta torna-se mais eficaz. Entre as células do sistema imunológico, encontramse os linfócitos (ou glóbulos brancos) que podem ser de 58

3 dois tipos: T e B. As células do tipo B são produzidas na medula óssea e se responsabilizam pela imunidade humoral, atuando na produção de anticorpos e no combate contra organismos extracelulares. Essas células são capazes de identificar agentes estranhos através da detecção de antígenos presentes na superfície desses agentes e destruí-los. Já as células do tipo T são maturadas no Timo ainda na vida fetal e durante a infância. Essas células são responsáveis pela imunidade celular e pelo processo de discriminação próprio e nãopróprio, ou seja, reconhecer se uma célula é própria ao organismo ou não. Durante o período de maturação, as células do tipo T passam por um processo de seleção genético-aleatório, denominado seleção negativa, visto na Figura 2, no qual ocorre a eliminação das células T que têm na sua superfície epítetos que reagem com os auto-antígenos presentes nas células próprias do corpo. Após esse processo, somente as células T que não casam com nenhuma célula do corpo são permitidas deixar o Timo e circular pelo organismo com a capacidade de detectar, caso haja, qualquer mudança em seu funcionamento. O processo de reconhecimento é o seguinte: como essas células T maturadas não casam com nenhuma célula própria ao organismo, então é altamente provável que elas casem com células fora do conjunto das próprias, ou seja, as não-próprias. Com essa habilidade de detecção de células não-próprias, o sistema imunológico aparenta ser uma adequada fonte de inspiração para o desenvolvimento de algoritmos de detecção de comportamento anômalo em sistemas (DASGUPTA, 1997; SOUZA, 2008). de monitoramento em que esses detectores são utilizados para a detecção de praticamente qualquer elemento não-próprio do sistema (DASGUPTA, 1997). Dessa forma, o ASN é composto de três fases: I. Definição dos dados a serem protegidos, II. Geração de detectores, e III. Monitoramento de erro. Na primeira fase, define-se como elementos próprios do sistema m vetores P 1 i m formadores do conjunto P, que serão monitorados contra ocorrência de mudanças P P,P,P,,P.As demais fases serão descritas a seguir. C. Geração de detectores Os candidatos a detectores são gerados aleatoriamente e testados individualmente para verificar se casam com algum vetor de P. Se houver casamento, o candidato é rejeitado. Esse processo é repetido até que um conjunto D de detectores seja alcançado, como pode ser visto no fluxo apresentado na Figura 3. Para verificar se um candidato casa com um vetor próprio, são utilizados critérios de casamento parcial. Um exemplo é: dois vetores casam se, e somente se, eles forem iguais em pelo menos r posições, onde r é um valor escolhido. Figura 3. Geração de detectores. Figura 2: maturação Baseado no processo de maturação das células T, o Algoritmo de Seleção Negativa (ASN), proposto em Forrest (1994), funciona de forma similar ao processo de discriminação do próprio e não-próprio do corpo. Primeiro, é gerado aleatoriamente um conjunto de candidatos a detectores (células T não-maturadas) e, em seguida, eliminam-se os que casam com os elementos denominados de próprios do sistema a ser monitorado ou protegido contra mudanças. Os candidatos nãoeliminados são então potenciais detectores. Após este processo de geração de detectores, é iniciado o processo A maior limitação na geração de detectores válidos é a dificuldade computacional em gerá-los, pois com o aumento do número de elementos em P o número de detectores que não casam cresce consideravelmente. O ASN propõe-se a gerar detectores que não casem com os vetores próprios, e casem com qualquer vetor nãopróprio com alta probabilidade. A solução para esse algoritmo é interessante porque o sistema não procura por padrões específicos de erro, ele detecta qualquer atividade estranha. D. Monitoramento de Erro Supondo que o conjunto de vetores próprios seja passível de ocorrência de erros, para determinar se uma falha ocorreu, verifica-se continuamente se os detectores D casam com algum vetor de P de acordo com o critério de casamento e parâmetro r escolhidos. 59

4 Se algum detector em algum momento casar com qualquer elemento de P, então um erro ocorreu, como pode ser visto na Figura 4. No ASN são utilizados critérios de casamento parcial, pois um casamento completo implica que cada elemento de um vetor casa exatamente com o do detector. Dois critérios de casamento parcial são os mais comuns em sistemas de monitoramento de erros: o r-contínuos e o r-hamming. anormais. Esses dados podem ser obtidos através de históricos de processo disponíveis nos modernos sistemas de controle atuais. O sinal de erro da malha de controle operando em condições normais é então utilizado para geração dos vetores próprios: 瑲 6 O sinal de erro traz vantagens devido à sua representatividade e à sua independência em relação ao ponto de operação, isto é, o sinal mantém a mesma magnitude no caso de sistemas lineares ou que não apresentem alteração dos parâmetros tanto do processo como do controlador. Para realizar a comparação de dois vetores reais utilizou-se uma variável denominada desvio ε. Desse modo, as posições correspondentes do vetor erro casam se a diferença em módulo for menor ou igual ao desvio. Por exemplo, considerando dois vetores: E [1,2; 0,5; 1,8;0,95; 2,0] 7 Figura 4. Monitoramento. E. Critério de Casamento r-contínuos O critério de Casamento r-contínuos consiste em verificar se dois vetores de comprimentos iguais e que tenham símbolos em um alfabeto pré-definido casam em pelo menos r posições de forma contínua. Por exemplo, considerando dois vetores binários A e B de comprimentos iguais e de elementos pertencentes ao mesmo alfabeto: A [0, 0, 1, 0, 0, 0, 0, 1, 0, 1] B [0, 0, 1, 1, 0, 1, 0, 1, 0, 1] 2 3 Estes vetores casam para qualquer 4, usando critério de casamento r-contínuos. F. Critério de Casamento r-hamming O critério de Casamento r-hamming consiste em verificar se dois vetores de comprimentos iguais casam em pelo menos r posições correspondentes, mas não necessariamente de forma contínua. Por exemplo, supondo novamente dois vetores binários: C [0, 1, 1, 1, 0, 0, 0, 1, 0, 1] D [0, 0, 1, 1, 0, 1, 0, 1, 0,0] 4 5 Neste caso, ocorre o casamento para qualquer 6 utilizando o critério r-hamming. IV. DETECÇÃO DE FALHAS EM MALHAS DE CONTROLE Para detecção de falhas em sistemas de controle, o Algoritmo de Seleção Negativa necessita de dados que descrevam as condições de operação normal do sistema a fim de gerar os detectores de condições de operação P [1,4; 1,0; 2,3; 0,76; 2,1] 60 8 e definindo 0,2, esses vetores casam para qualquer 3, considerando o critério de casamento r- Hamming. O conjunto de vetores próprios reais P é definido através da partição do histórico dos sinais de erro quando a malha estava operando em condições consideradas aceitáveis. O tamanho dos vetores de dados próprios n deve ser determinado antes do processo de aprendizagem do sistema imunológico e está relacionado à dinâmica e à taxa de amostragem do sistema. A priori, devem ser escolhidos valores pequenos, em torno de 5, a fim de facilitar a geração dos detectores. O Algoritmo de Seleção Negativa é então aplicado para geração dos detectores, para isso deve ser determinado o número de detectores η que se deseja gerar, o parâmetro de casamento r (a priori metade do tamanho do vetor), e o desvio aceitável ε que deve estar relacionado à variância ou com o nível de ruído aceitável. Durante a etapa de monitoramento, o conjunto de n amostras do sinal de erro e, atualizado de acordo com a taxa de amostragem e com as características do processo, será utilizado para detecção de falhas ou de condições de operação inaceitáveis da malha de controle. Uma falha será identificada assim que qualquer um dos detectores do conjunto for ativado. V. EXEMPLOS Nesta secção o ASN é aplicado em simulações de três processos. A malha de controle simulada é apresentada na Figura 1 e a taxa de amostragem é 0,1. A técnica utiliza os dados obtidos durante a operação em condições consideradas normais como dados próprios. As simulações utilizadas para isto são denominadas Condições Normais, Aceitáveis e Fricção Fraca. Na primeira simulação é utilizado o sistema sem falhas ou alterações. Na segunda, baixo nível de ruído

5 branco com potência 5 10 é inserido na saída do processo e os parâmetros das funções de transferência do processo, do sensor e do atuador são alterados em 10%. Na terceira, os valores referentes a fricção no atuador são alterados. As outras simulações que serão monitoradas são as condições de falhas nos atuadores (fricção elevada) e nos sensores, alterações do processo e alterações dos parâmetros do controlador. O atuador é uma válvula com característica linear representada por uma função de primeira ordem dada pela Eq. 9. A ocorrência de fricção na válvula é representada pelo comportamento não-linear dado pela Equação 1. Os parâmetros k e b serão alterados para representar os níveis de fricção: No caso da condição de fricção fraca foi utilizado k=0,9 e b=-0,1 e durante a simulação de fricção elevada foi utilizado k=0,85 e b=0,3. Neste caso, além da fricção também é empregada banda morta simétrica com amplitude 0,4. sinais das falhas apresentam diversos padrões distintos enquanto que os sinais das condições normais que devem ser protegidas apresentam uma menor variedade de padrões de sinais., 9 Figura 5. Sinal de erro das condições aceitáveis. O sensor é modelado através da função de transferência linear dada pela Eq. 10. As falhas no sensor são simuladas através da redução do ganho do sensor e aumento de sua constante de tempo em 50% em conjunto com a adição de ruído branco com potência 1 10 ou através da interrupção da realimentação caracterizando a perda de sinal, ou seja, a operação em malha aberta. Mais informações sobre as características dinâmicas dos sensores e válvulas de controle podem ser encontradas em (SEBORG, 2004)., 10 Figura 6. Sinal de erro das condições de falha. Tanto as simulações de condições normais e como as simulações das situações consideradas falhas são monitoradas para avaliar a eficiência do algoritmo. Durante o monitoramento, o vetor de dados monitorado é totalmente atualizado a cada n amostras. A. Exemplo 1 O processo é dado por: A malha é controlada por um controlador PI 0, Neste exemplo, foi determinado que o vetor teria tamanho n=5, o parâmetro de casamento seria r=4, o número de detectores a serem gerados η=100 e o desvio ε= 0,2. Os resultados são apresentados na Tabela 1 onde são indicados o número de acionamentos durante o monitoramento gm, a porcentagem de detectores acionados e se a falha foi detectada pelo ASN. Uma falha é identificada a partir do acionamento de um ou mais detectores. O gm é o número de vezes que ocorreu casamento, sendo que um detector pode ser acionado mais de uma vez. B. Exemplo 2 Neste exemplo, o processo em condição normal é representado por: Os parâmetros do controlador foram alterados aleatoriamente para Kp=0,41 e Ti=8. Além das simulações de falhas já apresentas, é simulada a malha com alteração do processo dada por:,,, 14, 13 Nas Figuras 5 e 6 são apresentados os sinais de erro das simulações realizadas. É possível observar que os 61

6 Tabela 1. Resultados do exemplo 1 Malha Aberta 6 1% Sim Sensor 7 2,33% Sim Fricção Forte 102 1,33% Sim Processo 29 0,66% Sim Controlador 76 1,66% Sim A malha é controlada por um controlador PI com parâmetros Kp=0,172 e Ti=1,34. Os parâmetros do controlador foram alterados para Kp=0,38 e Ti=1,07. O processo é alterado da seguinte forma:,,, 15 Nas Figuras 7 e 8 são apresentados os sinais de erro. Neste exemplo, foi determinado n=6, r=3, η=100 e ε= 0,1. Os resultados são apresentados na Tabela 2 e foram similares quando repetidas as simulações. Tabela 2. Resultados do exemplo 2. Malha Aberta 1 1% Sim Sensor 4,4% Sim Fricção Forte 7 2% Sim Processo 1 1% Sim Controlador 8 4% Sim C. Exemplo 3 Neste exemplo, o processo em condição normal é representado por:,,,, 16 A malha é controlada por um controlador com parâmetros Kp=0,6 e Ti=21. Os parâmetros do controlador foram alterados para Kp=0,83 e Ti=18,9. A alteração no processo é representada por:,,,,,,,, 17 A resposta dinâmica do sensor será representada por:, 18 A falha no sensor é representada pela seguinte função de transferência junto a adição de ruído branco com potência 5 10 : Figura 7. Sinal de erro das condições aceitáveis.,, 19 Para este processo, serão considerados dois casos com n=3 e n=4, o parâmetro de casamento é r=2 e o desvio ε= 0,02. O número de detectores a serem gerados foi η=100 no primeiro e η=500 no segundo caso. Os resultados são apresentados nas Tabelas 3 e 4. Neste exemplo, novamente o algoritmo obteve sucesso ao identificar as falhas tanto com a variação do elemento do vetor quanto do número de detectores gerados. Figura 8. Sinal de erro das condições de falha. VI. CONCLUSÕES Neste artigo foi apresentado como o Algoritmo de Seleção Negativa pode ser utilizado para a detecção de falhas em sistemas de controle. Além de discutir as características do algoritmo e a sua aplicação na técnica proposta, foram descritos alguns tipos de falhas que ocorrem em sistemas de controle, em especial, falhas associadas às válvulas de controle. Exemplos de simulações computacionais de falhas em válvulas e sensores, alterações do processo e do controlador comprovaram a eficácia do algoritmo. A técnica apresentou repetibilidade na detecção das falhas simuladas. O algoritmo exige um razoável esforço 62

7 computacional durante a fase de geração de detectores e baixo esforço na fase de monitoramento o que torna viável sua aplicação em sistemas de controle em tempo real. Tabela 3. Resultados do exemplo 3 para n = 3. Malha Aberta 1 1% Sim Sensor 68 20% Sim Fricção Forte 4 2% Sim Processo 5 2% Sim Controlador 6 2% Sim SOUZA, C.P.; ASSIS, F.M.; FREIRE, R.C.S.. Circuit Testing Using the Principles of SelfNonself Discrimination, IEEE Transactions on Instrumentation and Measurement, Volume 57, Número 9, p , VENKATASUBRAMANIAN, Venkat.; RENGASWAMY, Raghunathan.; YIN, Kewen.; KAVURI, Surya N. A Review of Process Fault Detection and Diagnosis. Part I: Quantitative Model-Based Methods, Computers & Chemical Engineering, Volume 27, p , VENKATASUBRAMANIAN, Venkat.; RENGASWAMY, Raghunathan.; YIN, Kewen.; KAVURI, Surya N. A Review of Process Fault Detection and Diagnosis. Part III: Process History Based Methods, Computers & Chemical Engineering, Volume 27, p , Tabela 4. Resultados do exemplo 3 para n = 4. Malha Aberta 7 1,4% Sim Sensor ,6% Sim Fricção Forte 126 8,7% Sim Processo 42 5,8% Sim Controlador 65 7% Sim AGRADECIMENTOS Os autores agradecem o suporte financeiro, através da concessão de bolsa de pesquisa, da Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão (FAPEMA). REFERÊNCIAS CHOUDHURYA, M. A. A. Shoukat; THORNHILLB, N. F.; SHAH, S. L.. Modelling Valve Stiction. Control Engineering Practice, Volume 13, Número 5, p , DASGUPTA, D.; ATTOH-OKINE, N. Immunity-Based Systems: a Survey. IEEE International Conference on Systems, Man, and Cybernetics, Volume 1, p , FORREST, S., PERELSON, A. S., ALLEN, L and CHERUKURI, R. Self- Nonself discrimination in a computer. Proceedings of IEEE Symposium on Research in Security and Privacy, pages 202{212, May HOFMEYER, S.A.; FORREST, S. Architeture for an Artificial Immune System, Evolutionary Computation, Volume 8, Número 4, p , KOURTI, T.. Process Analysis and Abnormal Situation Detection: From Theory to Practice, IEEE Control Systems Magazine, Volume 22, Número 5, p 10-25, SEBORG, Dale E.; EDGAR, Thomas F.; MELLICHAMP, Duncan A. Process Dynamics and Control, 2.ed., New York: John Wiley & Sons,