Distribution-Based Residual Monitoring for Fault Detection in Chemical and Wastewater Systems

Resumo Técnico: Monitoramento de Resíduos Baseado em Distribuição para Detecção de Falhas em Sistemas Químicos e de Tratamento de Águas Residuais

Declaração do Problema
A detecção confiável de falhas é crítica para a segurança, eficiência e sustentabilidade de processos industriais e ambientais modernos, como reatores químicos e plantas de tratamento de águas residuais. Falhas não detectadas podem levar à degradação da qualidade do produto, aumento dos custos operacionais e riscos de segurança. Embora técnicas de monitoramento estatístico de processos multivariados (MSPM), como a Análise de Componentes Principais (PCA) e os Mínimos Quadrados Parciais (PLS), sejam amplamente utilizadas, elas frequentemente dependem de estatísticas de segunda ordem e suposições gaussianas. Essas limitações reduzem sua sensibilidade a falhas sutis, graduais ou não gaussianas, particularmente quando as falhas se manifestam como mudanças pequenas e coordenadas em múltiplas variáveis ou alteram a estrutura de correlação em vez de apenas a variância. Além disso, muitos métodos existentes exigem dados de falhas rotulados para treinamento, o que é frequentemente escasso em configurações industriais práticas.

Metodologia
O artigo propõe uma estrutura de monitoramento de resíduos baseada em distribuição que integra a Análise de Correlação Canônica (CCA) com medidas de distância estatística para detectar falhas em processos multivariados. A metodologia opera em duas fases:

1. Modelagem CCA: As variáveis do processo são divididas em dois blocos ($X$ e $Y$). A CCA é usada para identificar relações lineares entre esses blocos, projetando-os em espaços latentes que maximizam sua correlação. Sob condições normais de operação, os escores canônicos ($T_x$ e $T_y$) são altamente correlacionados.
2. Geração de Resíduos: Um vetor de resíduo é definido como a diferença entre os escores canônicos ($r = T_x - T_y$). Enquanto os métodos tradicionais monitoram a magnitude desses resíduos usando o Erro de Predição Quadrática (SPE), esta abordagem monitora a distribuição de probabilidade dos resíduos.
3. Monitoramento Baseado em Distribuição: A estrutura emprega uma estratégia de janela deslizante para estimar continuamente a distribuição dos ressores a partir de novos dados e compara essa distribuição com uma distribuição de referência estabelecida durante a operação normal. Três medidas de distância estatística são utilizadas para quantificar a divergência entre as distribuições:
   • Distância de Hellinger (HD): Mede a similaridade entre funções de densidade de probabilidade.
   • Distância de Kullback–Leibler (KLD): Quantifica a perda de informação entre distribuições.
   • Distância de Kantorovich (KD): Também conhecida como distância de Wasserstein, mede o custo de transporte ótimo entre distribuições, capturando deslocamentos de localização, dispersão e forma.
4. Determinação de Limiar: Para evitar suposições gaussianas restritivas, os limiares de detecção para essas métricas de distância são determinados de forma não paramétrica usando Estimativa de Densidade de Kernel (KDE) nos dados de treinamento livres de falhas.
5. Restrição de Treinamento: Uma característica fundamental da metodologia é que ela requer apenas dados livres de falhas para o treinamento, tornando-a adequada para cenários onde dados de falhas rotulados não estão disponíveis.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

• Integração de Modelagem CCA e Análise Distribucional: Uma estrutura que combina CCA com medidas de distância estatística (HD, KLD, KD) para detectar falhas por meio de mudanças nas distribuições de resíduos, oferecendo maior sensibilidade a falhas fracas, graduais e não gaussianas em comparação com indicadores tradicionais baseados em variância, como o SPE.
• Estratégia de Janela Deslizante Online: Uma implementação que compara continuamente as distribuições de resíduos de teste contra uma distribuição de referência, permitindo a detecção em tempo real de mudanças distributivas.
• Limiarização Não Paramétrica: O uso de KDE para determinar limites de decisão, o que aumenta a robustez em processos não lineares e não gaussianos ao evitar suposições paramétricas.
• Estudo Comparativo Abrangente: Uma avaliação rigorosa de múltiplos indicadores (SPE, HD, KLD, KD) em dois processos de referência (reator Williams–Otto e uma planta de tratamento de águas residuais) utilizando métricas padrão (Taxa de Detecção de Falhas, Taxa de Alarmes Falsos, Precisão, Acurácia, F1-score).

Resultados Experimentais
A estrutura proposta foi validada em dois sistemas de referência:

1. Reator Williams–Otto: Um processo químico não linear.
2. Planta de Tratamento de Águas Residuais BSM1: Um processo biológico complexo.

Quatro cenários de falha foram testados: viés (bias), intermitente, deriva (drift) e congelamento (freezing). Os resultados demonstraram que:

• Indicadores baseados em distribuição superam significativamente o monitoramento convencional por SPE, particularmente para falhas de pequena magnitude, intermitentes e graduais.
• A Distância de Kantorovich (KD) alcançou consistentemente o melhor desempenho. No reator Williams–Otto, as taxas de detecção baseadas em KD excederam 95% com quase zero alarmes falsos em todos os tipos de falhas. Por exemplo, na detecção de falhas de viés pequenas (3%), a KD alcançou um F1-score de 98,58%, enquanto o SPE caiu para 74,05%.
• Na planta de tratamento de águas residuais, a KD manteve alta acurácia (até 99,85%) e F1-scores (até 99,84%) para falhas de congelamento e intermitentes, enquanto os métodos baseados em SPE frequentemente falharam em detectar essas falhas ou produziram altas taxas de alarmes falsos.
• Sensibilidade do Tamanho da Janela: Uma análise de tamanhos de janela (30, 40, 50) mostrou que, embora janelas menores pudessem introduzir alarmes falsos para HD e KLD, o indicador baseado em KD permaneceu robusto em todas as configurações testadas. Um tamanho de janela de 50 foi identificado como proporcionando o melhor compromisso entre sensibilidade e estabilidade.

Significância e Alegações
O artigo afirma que a integração da modelagem CCA com a análise de resíduos baseada em distribuição fornece uma estrutura eficaz, confiável e prática para a detecção precoce de falhas em processos industriais e ambientais complexos. A significância do trabalho reside em sua capacidade de:

• Detectar falhas incipientes e fracas que são frequentemente ignoradas por métodos baseados em variância.
• Operar efetivamente em ambientes não gaussianos e não lineares sem exigir suposições distributivas restritivas.
• Funcionar em ambientes com escassez de dados ao depender exclusivamente de dados livres de falhas para treinamento, abordando uma importante limitação prática na implementação industrial.
• Fornecer uma solução robusta onde a Distância de Kantorovich serve como um indicador superior para detectar mudanças distributivas em comparação com as distâncias de Hellinger e Kullback–Leibler nos cenários testados.

Os autores concluem que, embora a abordagem baseada em KD envolva uma complexidade computacional ligeiramente maior que o SPE, ela permanece prática para implementação em tempo real em processos com intervalos de amostragem típicos, oferecendo uma melhoria substancial na confiabilidade da detecção. Sugere-se que trabalhos futuros explorem extensões não lineares de CCA e estratégias de limiarização adaptativa.