4CCij TechnicalArticde

Detecao de defeitos via redes neurais

Aplicaao sistema de ar secundario deuma caldeira de recuperaao quimicaDefect detection by neural networks

Application secondary air system in a

chemical recovery boilerAutoresutlrcrrs Sergio Henrique Saavedra Martinelli

No Neitzeh

Osvaldo ieira

PalaTrasehave caldeira de recuperarao quimica detec

raa de defeitos perception multicamadas cedes neurais

artificiais sistema de ar secundario

Aplicagao O artigo apresenta metodo Para a detecrao de de

feitos em componentes de sistemas de controle de processos

atraves da utilizarao de redes neurais artificiais

RESUMOOs processos industriais estao se tarnando coda vez

mail automatizados e dependentes dos componentes de

controle e o caminho para melhorar a confiabilidade

dos processos e garantir a confiabilidade e a robustez

destes componentes Porem um processo livre de de

feitos nao pode ser garanticlo Os defeitos nos sistemas

de controle podem se apresentar de m odo abrupto ou de

modo lento incipientej Este ultimo provoca uma perdagradual de desempenho do processo e e extremamente

dificil para a detecrao pois os seus efeitos sao encober

tos pelas variaveis manipuladas dos Taros de controle

Esse trabalho realiza a detecrao de defeitos incipientes

KvwodsAftificial nearral networks c3aemical

recovery boiler fault detection naultilayer percep

tro2secoadary airssten

Application This paper presents a methodfoa defectsdetection in processes control systerras components

throrgl2artcial neural networlsapplication

IBSFRACT

Industrial processes are becomingproressivel more and

moreunnautt2edanddependent on control components so that

the way to improve the processes conJzdence is bypnrot

ing reliability and robustness of these process components

However a defeetfiee process is yet impossib le to aranteeDefects incontrolsstems canshow upin cen crlrptorgradualiracipientJ way The last one is to causeprogressielosses in

performance and is extremelydcult to detect as its effects are

caveredby the manipulcetedvariables ofthe control loops This

paper proposes ca methodfor the detection of incipient defectsirz control system by tie sse ofnearalnettivorks components

The development of thispaper 7ras split into two parts a the

Referencias tlos Autores Ar ihors references

1 Programa de Doutorado ein Engenharia Quimica Universidatle Estatlual tle nllaringa Av Colombo 5790 BL E4609CEP 87020900 hRaringa PR Brasil

PitFcgamirCixrrricairgirEerircrSrateUriErityc1fAlarrnaAUvembc5LBLE4FOFCEP8i02090rbairgaPRJBazil

Email shenrique26C hotmailcom

2 Universidatle Estatlual tle hllaringa Av Colombo 5790 BL E46 09 CEP 87020900 Maringa PR Brasil

SlateJfJESiiSJr J1VdGiL11L BL Eib171iiiIgt18jriil 1 Ni2Zfi

Facultlade de Telemaco Borba Av Mal Floriano Peixoto 1181 CEP 84266010 Telemaco Borba PR Brasil

Urtiverstyof irtsaca Onrba Aa rL9ar2cO1 Floriano Peixntcr7131CEP8926f010 Te2maco 6orba Pr Brazi

Email ivoneitzel@fatebtbedubr

3 Facultlade tle Telemaco Borba Av heal Floriano Peixoto 1181 CEP 84266010 Telemaco Borba PR Brasil

1n4EISitOf TEleniaL taGiJI3 A4c Vial ElGli3nG PEIFti171 T1 EPStifii011f TEfE itaCG fufX12 PP eI2i

Ct

LN

f

z

00N

0

na

bA

W

O

Email osvaldovieirafatebtbedu

br

00cv

0r

Q

C

em componentes dos sistemas de controle utilizanclo

reties neurais O desenvolvimento deste trabalho foi

dividido em dual etapas a primeira dedicada ao mo

nitoramento do processo a segunda a classificaaode dados Na primeira etapa o comportamento quase

estatico do sistema foi modelado com recles neurais A

compararrao entre os valores inferidos pelo modelo e os

medidos no processo geraram os residues Na segunda

etapa uma segunda retie neural do tipo de classificacraofoi construida para analisar o residue O processo de

treinamento desta retie neural foi realizado com dual

bases de dados uma onde nao havia defeitos e outs

onde havia defeitos em um dos medidores do processo

Devido a dificuldade de inserir erros nos sensores de

processes criticos foi proposto um metodo para a ge

rarao de dados defeituosos atraves de simularrao com

o modelo neural de processo O metodo foi aplicado no

sistema de ar secundaria de uma caldeira de recupera

crao quimica na industria de celulose e papel As dugs

recles neurais foram programadas em plataforma Excel

para possibilitar o monitoramento continuo do processo

produtivo Para a alimentaao continua dos dados de

processo no sistema de monitoramento em Excel foi

utilizado o programa comercial Plant Information PIO sistema foi utilizado para o monitoramento continuo

do processo durante doffs meses de operarrao e a taxa

de alarmes falser foi apenas 4010 Para a mediCao do

desempenho do metodo foram simulados erros de ate

20A taxa de deteccrao de defeitos foi de 971para

erros simulados de 10

INTRODUAOOs processes industriais estao se tornando calla vez mail

automatizados A automarrao proporcionou maior desem

penho dos processes melhoria da qualidade dos predatese aumento da produtividade fabril Porem os processes

industriais se tornaram mais dependentes dos componen

tes dos sistemas de controle O caminho para melhorar a

confiabilidade e a seguranrra dos processes automatizados e

garantir a qualidade e a robustez dos componentes de con

trole Ainda assim nao se pode garantir um sistema livre de

defeitos FRANK et al 1997 A International Federation

for Automatic Control IFAC define defeito comeum desvio

nao permitido depelo menos uma propriedade caracteristica

ouvariavel dosistema dosea comportamento padrao usual

ou aceitavel ANGELO 2006 Os defeitos em sistemas de

controle podem ocorrer de mode abrupto ou de mode lento

Os defeitos que ocorrem de mode lento nu incipientes pro

vocam uma perda gradual de desempenho do sistema Na

maioria dos vexes ester defeitos sae de dificil detecaopoiseles sae encobertos pela arao dos controladores automaticos

dos processor TINOS 1999 Conceitualmente podemos

first one devoted to the monitoring ii the second to the elas

scation In the first pearl the almostscatic behaiourof the

system has been modelled in neural network The comparison between inferred values by the model and rrzecesurment

perforaed in the fieldgenerctedthe residraes In the nextstep

the secondneural network the classificatronfermi was bailt

to analyze the residue The training process of this raeural

network was carved outwith tYosorts ofdatabcre i one

ofthem defectsfreeii the second one holding defects inone

of tlae process conolsystem elements Drae to difficulties ofirtsering defects in critical processes sensors cliring its nor

mal operation it was proposed c methodfor the generationofsimulated defects ty the use of cr proper developed neural

model The method wcas applied in the secondary air systerrr

ofthe chemical recovery boiler operating in apulp andpaper

mill Both neural networks were programmed in an Excel

softwcrre platform so as to make possible the continuous

monitoring of theproductaonprocess The Plant InformationPI a commercial sofhvare was used for the continuous

process data input in an Excel spreadsheet The choice forthe Excel platform and PI system was dice to their existingavailabdit in tlae plant where the system was build card also

because their friendly use try the process operatzonal staffThe system was kept in usefor corrtinualprocess monitoringduring hvo nornzal operation months and the rate offca7ealarms was fjust40x Errors ofup to 2U in rnagnitradeweresimaalatedin manipulatedvariablesofthe controlststem

for checlnng the perfornaance ofthe method TFithin the range

ofI1o magnitude of thesrnulated errors the rate ofdefectsdetection wccs in the range of971

111tTRUDUCTIN

Industrralprocesses are becoming more card more

automated tlutomation is providing improvedprocesses

performance better producas quality and increased in

dustralproduetxvity However industrial processes are

growing more and more dependent on control systems

components The path towards better reliability and

assurance of automated processes is thereafter to

achieve proper quali and robustness of these control

components Even so a defectsfree system gaaaranteeFRvk et al 1997 is still impossible to be grantedThe International Federation for rl7atomatic Control

IFAC defrnes as defect a not allowed deviation of at

least one characteristic property or variable of the

system from its standard usual or acceptable behavior

NGELO U U06Defects in control systems may come

out rn a sradden or gradual way Defects that show zap ire

a gradual way or incipient are expected to cause pro

gressive loss in system performance In roost of the tunes

these faults care of difficult detectaonbecause disguised

by the cautamatic processes control action TTNCS

1999

clizer que a detecrao de defeitos e a indicaraode que algumacoisa esta errada no sistema monitorado O isolamento dos

defeitos e a determinaao daexata localizaao do defeito ou

seja a determinaCao do components que esta defeituoso A

identificarao do defeito e a determinarao da magnitude do

defeito e o impacto nosistema para que o sistem a de controls

minimize os donor causados

Os metodos de detecraode defeitos podem ser classi

ficados em doffs grandes grupos os que utilizam o modelo

matematico da planta e os que nao utilizam PATAN e

PARISINI 2005 Segundo GERTLER 1990 os metodos

livres de modelos mais comuns sao

iOmetodo da redundancia fisica onde sensores multi

plos sao instalados para medir a mesma variavel Qualquerdiscrepancia entre as mediroes indite um sensor defeituoso

Com tres ou moffs sensores em funcionamento e possivel iso

larosensor defeituoso Este metodo possui a desvantagem do

alto Gusto de instalacaodos componentes TINOS 1999iiO metodo de checagem de limites onde as variaveis

medidas da plantasao comparadas com limites programadosEste metodo possui a desvantagem de que se as variaveis da

planta possuem grandes variaroes o tests de limits preciseser ajustado para faixas muito conservadoras o que climi

nui acapacidade de detecrao de defeitos Normalmente os

defeitos incipientes e intermitentes nao sao detectados par

esse simples metodo ISERMANN 2000

iiiO metodo da utilizaCao de sensores especiais onde

sensores sao instalados para a medigao de defeitos especificos ou de seus efeitos coma por exemplo vibraao ruidodeslocamento axial e radial etc A desvantagem deste metodo

e o Gusto de instalaao destes componentesOs metodos de detecrao e diagnostico de defeitos ba

seados em modelos utilizam um modelo matematico da

planta monitorada A diferenca entre a variavel estimada

pelo modelo e a medida pelo processo recebe o nome de re

siduo Este residua e o indicativo da presenrade defeitos A

maioria dos metodos de cletecraoe diagnostico de defeitosbaseados em modelos se baseia no conceito de redundancia

analitica Diferentemente cla redundancia fisica onde as

medioesde sensores redundantes sao comparadas entre sias mediroes do sensor de processo sao comparadas anali

ticamente com colorer inferidos atraves de modelos para a

respective variavel

A modelagem do processo pods ser realizada atraves dos

leis fundamentais que regem o processo como os balanrosde

quantidade de movimento massee energia Esser modelos exi

gem conhecimentos profundos do comportamento doprocesso

ALES SANDRI 2003 Osm odelos baseados em dodos saouma

alternative poclerosa para se enfrentar esse problema As redes

neurais artificiais sao umaexcelente ferramentamatematico para

modeler processor complexos Etas possuem alto capacidade de

aprendizagem PATAN e PARISINI 2005 Para a maioria ds

Conceptually it couldbe said thrtdetection offaults is an

indication that something is going wrong in the monitored

stem Defects isolation means to deterrainethe exact lo

cation of the fault that is the identification of the defectivecomponent Recognition of the defect means to determine

the magnitude of the fault arad the impact to thesstern forthe control system to minimize the caused damages

Faults detection methods can be classified into tlvo

main groups those applying the mathematical model ofthe plant and those not applying it PATAN e PARIINI

2005 According to GERTLER 1998 the most corrunon

free models are

iThe physical redundancynaethod in whichmultiple sen

sorsare installedfor floe meaarrerraent offloe samevariable Artydiscreparac cunoragmeasrremeritsis to indicate a defective sen

sor Three or more operating sensors make possible to isolate

the defective unit ThisrzetFaod holds however tJedretivback

ofthe high components installation cost TlilS 1999iiJ The limitseheekirag method in which the mecasured

vaables of the plant are compared ith programmedlimits This method holds the drawback that if the plantsvariables undergo largerarictions the limit test should

then be adjusted to quite conservatzve bands which lessens

its defects detection capacity Usually this simple method

is unable to detect incipient andirzternittentfaults ISERMAN 2000

iii The specialsensors utilization method in which sen

sors are installedfo a certain specific defects measuenaent

oroftheireffects as forexample vibration noise axial and

radial displacements etc Cast of its components installation

is the weakxtess of this method

llethodsofdefeets detection anddiagnosis basedon

models make use ofcamathematieal model of the monitored

plant The difference between the variable estimated bythe method and the measurementealuated by theprocess

is called residue This residue is an indication of defectsexistence The mostpart offceults diagnosrs and detection

methods based ore modela relies on the analytical e

dundancv concept Differently front physical redundancywhere redundant sensorsrzeasurements are campcrredcat7iong themselves the process sensor measurements ar

compared analytically with inferredvalues throzrgh models

exclusive offloe varicble

The process modeling can be performed by usingfirndarizental laws that govern the process such as balances

ofanaounts of movements mass and energy These models

regarire deep knowledge of the process behavior ALESSANDRI 2003lodels based on data are a powerfulalterzative for working outsuch kind ofprobleni Artifacialneural net7orks are excellent mathematical foal for floe

modeling ofcomplex processes They hold a great learning

capacit3 PATAN e PARISIA7 2005 Por the mcjorty of

4

LN

f

z

00N

0

not

W

O

00cv

0r

b

C

aplicacoesas redes neurais artificiais funcionam razoavelmente

bem o que as torna muito utilizadas em aplicaoesgenerical

HAYIIN 1999 Elas saoutilizadas para resolver problemasde prediraoe de classificaaoVENKATASUBRANINIAN

et al 2000 Elas tem lido cede vez mail utilizadas para tratar

problemas de detecrrao de defeitos em processor industriais

PATAN e PARISINI 2005TINOS 1999 utilizou um sistema de detecrao e diag

nostico cle defeitos via redes neurais artificiais baseado no

conceito de geraraode residuos e o aplicou em robos mani

puladores Um a rede neural do tipoperceptron multicamadas

MLP Multilayer Perceptron foi utilizada para reproduzir o

compartamento dinamico do robo manipulador As raider da

rede foram comparadas com as variaveis medidas gerandoo vetor de residuos Alguns defeitos foram provocados no

robo para gerar um banco de dados defeituosos Em seguidauma rede neural de base radial foi utilizada para classificar

os residuos As simularoes utilizando um manipulador com

Bois graus de liberdade e um Puma 560 foram apresentadasdemonstrando que o sistem a conseguiu determiner e diagnosticar corretamente os defeitos que ocorreram em conjuntosde padroes nao treinados

PaTaN e PARISINI 2005 desenvolveram um modelo

neural para detecrrao e isolaanento de defeitos e o aplicaramna planta de evaporaaoda empresa Lublin Sugar Factory O

procedimento consistiu na colet e no tratamento dos dados

de processo Em seguida as redes neurais foram construidas

qualidade da modelagem for aualiada com base no conceito

estatistico da m inimizaao dasoma dos errorquadraticos Para

o treinamento des redes de classificarao foi necessarioum banco

de dados defeituosos Este for gerado pela inclusao de error de

1010e 15nossensores de processo em condiroes Wormers

de operacrao Oprocedimento devalidarao do m odelo foi realiza

do com uma base de dados diferente da base de dados utilizada

no treinamento da rede Pelos resultados obtidos concluiuse

que as redes neurais artificiais podem sec utilizadas para crier

sistemas de detecrrao e diagnostico de defeitos

BUENO 2006 desenvolveu um sistema de deteccrao de

defeitos utilizando redes neurais e o aplicou em um reator

nuclear de laboratorio O processo foi modelado atraves de

redes neurais utilizando duns bases de dados sendo uma

delas gerada atraves de um modelo teorico e a outra geradaatraves des medioes de operarao continua do reator As

variaveis inferidas pelos moclelos neurais foram temperaturespotencia e taxa de dosagem do reator As redes neurais

treinadas foram testadas com uma base de dados contendo

defeitos inseridos artificialmente nos sensores de temperature do reator Um sistema Fuzzy for aplicado para realizar

o diagnostico dos defeitos indicando o sensor defeituoso O

sistema apresentou bons resultados de modelagem do pro

cesso de detecrrao dos defeitos simulados e da localizacraodos sensores defeituosos

applications artificial neural nettiorks performfairlywellfact thatmakes them extensively used ingeneric applicationaHYKh 1989 They are largely used for solvingpredation andclassifications problemsTlE1VK4TRSUBlfLiA7A1et cal 2003 crzd have also been more cand more

used to deal with defects detectionprohlerras rn iradustrial

processes F4T4N e PAZISIlv7 2005TINOS 1999 adopted afcrults detection cand diag

nasrssystem via artifieicrlneaaral networks based on the

residzaesgeneratioa2 concept and applied it onmanipulator robots A raetaral networkof the multi layer perceptrom

pe1ILP tilultilcayerPerceptron was utilized for re

producing the dynamic behavior of the rraanipulator robot

Network outputs were compared with measureduariables

thereafter generating the residues vector dome defectswere introduced into the robot aiming at generating a

defective database After that a radial based neural net

workwas used for the residues classificatiorr tiimulations

by use of the manipulator with two degrees of freedomand a Puma 5b0 were presented giving evidence that

the system was able to properly determine and diagnosefaults occurred in Woretrainedstandard sets

PATAa1 and PARISIN 2005 developed a neural

modelfordefects detection and isolation applying it at the

Lublin5ugcuFactorysevaporation plant The proseducehas consisted in collecting and treating the prroeess data

Afterward the neural networks were huilt The modelingcuahty was assessed takang as reference the statistical

minimization of the sum of tlae quadratrcerror conceptFor the classiJzcataonnetworks training turned outneees

sary a defective database This database was performedby including errors of511oand 15 in normal op

erating conditions process sensor The model validcatiora

procedure was performed with a database differentfromthe one put to use in the network training As per the ob

tcainedresults conchasaon is that artificial neural networks

aresuitable to setup defeets detection and diagnosisBUENO 2006 developed a defects detection system

making use of neural rtetrvorks and applied it on a lab

nuclear reactor The process was modeled through neu

ral networks rnaling race of two databases one of them

achieved via a theoretical model the other one achieved bymeans ofuninterrupted reactor operation measurements

Theirerredvariables of the neural model were temperatures po7er and the reactor dosage rate Trained neural

networks were tested with a database containing defectsartificicdly introduced on tFe receetor temperature sensor

A Fuzzy system was applied ith the purpose to achieve

the defects diagnosis and identify the defective sensor The

system was able to displaygood process modeling results

good detection of simulated defects and localizationofdefective sensors

ALAZEIDA 2008 apresentou Luna m etodologia basea

da na tecnica modelo oculto de 1Vlarkev HH1V1 Hidden Iv1a

rkov Model Para se detectar situacoes anormais em caldeiras

de recuperarao quimica ainda em estagio inicial vu sejaantes de se alcanar uma condirao indesejavel A situaraemonitorada foi o acumulo de depositor de cinzas sobre os

equipamentos da sessao de transferencia de calor convectiveatraves das medioes de perch de carga Pelos resultados

obtidos polese identificar a detecrao precoce de situaoesanormais robustez as incertezas e ruidos adaptabilidade a

clinamica de processor natureza explicita desenvelvimento

e implementaaocomputacional factiveis

Os trabalhos apresentados utilizam a estrategia de inser

qao de defeitos nos sensores dos equipamentos monitorados

para a geraao de banter de dados defeituosos Para os

processes industriais criticos durante eperarae normal esta

estrategia na maioria das vezes nao pode ser aplicada As

razoes para isso sae as perdas de desempenho em se operar

fora dos parametros cle controle desvios na qualidade do

produce possibilidade de ocorrencia de donor nos equipamentos e riscos de seguranca

O objetivo deste trabalho e proper um sistema para a

detecraede defeitos incipientes baseado na utilizacaa de

redes neurais artificiais eno conceito de geradores de residues

para processes industriais No sistema proposto dugs redes

neurais sae utilizaclas rondoque a prim eira tom per objetivo

predizer o comportamento da malha de controle estudada

A comparaaodos valores inferidos polo rede neural tom

aqueles medidos no processo da origem acs residues A

segunda rede neural tom per objetivo classificar os residues

Sao utilizaclas as redes neurais de tipo MLP Para a geraraode dados defeituosos e proposto um sistema de simulaaode defeitos utilizando o modelo neural desenvolvido para

predizer o comportamento do processo O sistema de detec

ao foi aplicado nos malhas de controle de uma caldeira de

recuperaaoquimica Este artigo referesea apresentaraoda

malha de controle do sistema de ar secundario

DESENVOLVIMENTO

A caldeira de recuperagao quimica

A caldeira de recuperaraequimica numa industria de

celulose e papel e um equipamento para a combustao do

liter negro que e um subproduto do processo de praduaocle celulose O liter negro contem componentes organicos e

inorganicos em um meio aquoso alcalino

A caldeira de recuperarao possui ties funroes criticas

atuar come um rector quimico para a produaode sulfeto

de sodio NaZS e carbonate de sodio NaZCO3 come uma

cakeira para gerarao de vapor polo combustao de liter negro

ALNIEIDA 2000 worked out amethodologybased on theLarkov hidden model HHM Hidden

Mcwkovodel fordetectrngatypicalsrtuations rn chemi

cal recovery boilers since its beginning stage that is

beforereaching an undesirablesztuation The monitored

situation was the ash deposition on the convective heat

transfer equipments by means of charge loss measure

naentsAsper obtained results it tuns outpossible the

identification and early detection of abnormal situations

the robartness to atracertainties andnoises tlae ackrptability to dynamics ofprocesses explicitnature andfeasiblecomputational development and implementation

The presented works make use of the defects insertion

strategy in monitored equipments sensorsfor tlae achieve

ment of dzfective databases 4s for industrial critical

processes even during normal operation inmost of cases

this is not an applicable strategy Reasons for that are

perforrraance losses when operating outside normal con

trolparameters deviation from product quality passibledamages to the equipment and safety risks

4im of this paper is to propose a systerrr for the de

tection of incipientfaults in industrialprocesses based

on the applicatronofcrrtificial neural networks ctnd on

the concept of residues generation Ira dais proposed

system two neural networksare put to use being the

first oneoraented to predict the behavior of the studied

control network The comparison of the values inferredby the neural network with those naeasured in the field

give raise to the residues The second neural network is

designedfor the residues classification Areural networks

ofthe ILP type are utilrzed For the generation ofdefective data is proposed a defects simulcetion system that

makes use ofthe neural model worked outfor the process

behavior prediction The detection system wcas appliedon the control loops ofa chemical recovery boiler This

paper refers to the introduction of the secondary air

system control loop

UEVfLOFMfNT

The ehernieal recovery boiler

The chemical recoveryboiler in a pulp andpaperindustryis the equipment for black liquor burning a byproduct ofthe pulp prod7ctionprocess The black liquor holds within

organic and inorganic elements in an aqueous alkaline sars

perzaionThe recovery boiler is intendedfor three criticalfun

tions to perform as ca chemical reactor for the productionofsodiuna sulfide IraS and sodiurra carbonate UaSOas a boiler foi steam generation through the black liquor

4

LN

f

z

00c

0

nou

W

O

e como fonte destruidora da materia organica dissolvidaeliminando consequentemente o descarte ambiental TAPPI 1992 A Figura 1 apresenta um esquema da caldeira de

recuperaaoquimicaEsta caldeira opera com pressao devapor de46MPa e tem

peratura 7032K K 27315 Cj e capacidade para queimade 2106 quilos de solidos secosdo licor negro por dia A agua e

alimentada nas economizadores seguindopara o balao superiorEssa caldeira e do tipo circularrao natural ou seja nao habom

bas de circulaao de agua e a circulacao ocorre por diferenrrade temperature Os tubos que interligam o balao superior e o

inferior saodenominados Banco de tubos onde ocorre uma des

circularoes de agua da caldeira A outs circulatoo e do balao

inferior para os coletores inferiores da fornalha subindo pelostubos de paredes de agua da fomalha voltando para o balao

superior Do balao superior sai o vapor saturado que alimenta

os paineis de superaquecedores Nos superaquecedores ha a

transformaao do vapor saturado para vapor superaquecidoA caldeira possui leis bocais para a queima de licor

negro doffs em cede parede lateral um na parede frontal e

um na parede traseira Quando o licor negro e queimado os

componentes inorganicos se acumulam na base da fornalhae recebem o nome de leito ou pilha Os fundidos deste leito

escoam atraves de aberturas na parede frontal para as bias

de fundidos Este caldeira possui quatro bias Os fundidos

caem no tanque de dissolucao onde misturados com agua

combustion and as destroying agent of dissolved organicmatters thuspreyentngmatter disposal to the envirorunent

TAPPI 1992 Figure 1 presents a chemical recotiery boiler

dragram777isboileroilerating conditlcnaare46MPa steampres

sure with a steam temperatrrrof 7032k K2731S Cand a burning capacity of2x10 kg ofclay solidsfrom the black

liquorperdcryYbcrterisfedtlaroughtheecononaizers andfiomthenefollows to the upper drum This is a natural circulation

boiler that is there are no water circulation pur7rps and

water circulation depends on temperatrrrediererzces Set oftubes connecting the spper and lowerboiler crrrrxrms is named

tulebank in which takes place one of the1oiler circulation

flows Another waterflow occurs from the lower drum to the

furnace bottom collectors thenRowing through the fitirnaee

water wall tubes to the upper drum from where saturated

steam departs to the superheater tubes In trperheater the

saturated stecrrra is converted to superheated stecrna

For burning the black liquor this boiler is equipped with

siv liquor spray nozales two on each side wall one on the

front wall andanother oneon the r earwall lYith the combar

tiorr of the black hyuor inorganic elementsbuilrup at the

fisrncrce beck the char This naeltedmaterial proceedsflowingfrom thefurnace bed and tlarouhopenings in the front wall

to the smeltspouts or channels In thisboiler there arefaunspcnrts Smelt raraterial drops then frorrz the spouta to a dis

Vapor para o processo l Steam to process

Ague tle alimentapao Feednater

Balao inferior Tubos tle paredetlaguaLower dram Water rvali tubes

00cv

0r

c

fi

C

Precipitatlores eletrostaticosletrtSt3IrCpr2crpftors

Ventiladores de

tuagem intluzitlaudr t aRs

Balao superiorUpper drurr

Tubos tle parededagualNate uvah tubes

Fornalha I Frrnace

Ar terciario lertiary err

h

L

Aquecetlores tle ar Ar secundario I SecondaryahAr heaters

e Ar primario rrirrary air

Ventladores tle ar primario Bicas I Srrastssecuntlario a terciario I Prrrrrary Coletor inferior l Bntfom Culectseccrnaryarrdtertraryar trrrs

Coletor inferior Funditlos para tanque tle tlissolugaoBottum corlectrSmett to dissoivtng terra

Figura 1 Esquema da caldeira de recuperacao quimica Figure tDiagram ota chemical recovery boiler

Parade frontal Paretle lateral esquerda Paretle traseira Parade lateral direitaFront oval teftside wall fiearUall Rightside wall

Ar terciario I Tertiary airAr terciario r Tertiary air

Bocal tle Iicor Uquorspraynorle liacal de licorr LiquorspraVnozze Eocal tle licar tiquorspraynozzle Bocal tle Iicorl tiquorspraVnozzle

I B

I LJ IICamera ear secuntlarioi Combos Games equeimatlor earsecndariotlonchamberandsecondarValr QueimadareslSurners ChamberbumersecornlaryairQueimadores Burnerso

n r o Arprimario1 Primary arr Ar primariorPrimary airr

araarArnmario Primary arr 6icas

de funtlido Smelt spoutsFic

ura2 Detalhamento dacaldeira derecupera aoquimica iyure 2 Details ota chemical recovery oiier alcalina

geram uma solur aochamada deIicor verde qua e

composta basicamente por carbonato desodio Na2C0esulfeto de sodio NazS Este Iicor verdeeenviadoaarea decaustificarao para produaodeuma solur aochamada deIicor

branco atraves derea oesquunicas O Iicor brancoecomposto

principalmente por hidroxidodesodio NaOHe sulfeto

desodio Na2S4alim entaraodear de combustao nacaldeiraerealizada em

trey niveis Aprincipal razao para isto sao as fun oesantagonicasde proporcionar um ambiente oxidanve para as reac

oesde combustao damateria organica dolicar negroeao

m esmo tempo promover um ambiente redutor para qua as rearoes

de reduCao dosulfeto desodio para sulfeto desodio ocorram

ADAMS etal 1997 Osgases desaida dacaldeira passamem quatro precipitadoreseletrostaticas

paraa redu aodoteor dematerial particulado Doffsventiladoresdetiragem induzida controlamapressao dafornalha4s

Figures2e 3 apresentam detalhes clasistema dear O

ar primarioe alimentado atravesdos quatro paradese as

suas funressao controlaroformatoea posi aodoleito de

sail e fornecer oxigenio para as rea oesde combustao do

carbono residualO ar secundario tambemealimentado atraves

dos quatro paradese as suas funroes sao controlaraaltura

do leito manteratemperature doleito searoIicor e

queimar os produtos volateis oriundosdoaquecimento doIicor

O ar terciarioealimentado nos Paredes frontaletraseirae

as suas funroes saocompleteracombustao doIicor eseaar a

fornalha para minimizeroarraste de material particulado juntocom as gases paraa sessao superior solution

tank where mixed wrthalkaline water producesa solution

known as green liquor a solution mainly consistingof

sodrurracarbonci telraDand sodium suede 1Va SThisgreen liquorrssent to the cciusticizing plant whereas per

chemical reactions is converted toa solution defined aswhite liquor This white ligtiornaainly consistsof sodiinhydroxide

ITaOHand sodium sulfide raSbupplyof combustionci irto the boiler is perforrraeda tthree

levels The main reason forthat are the conflictive demandsofprovidingera oxidative surrounding forproper combustion

reactions of the black liquor organic mater ialand

at the same time to promoteareducing surroundingin order

tofavorreductionofsodiumsuateto sodiurrasulfide ADAMSetal 1997 Cases

leatri agthe boiler passthrough fourelect staticpra cipitatQrs

togreatlyredicethecontent of particulatesmaterial Pressure

inboiler furnaceis kept under controlbytvoinduced dre

fansFigui es2and 3present detailsofthe airsysterraFrlmaryair is fed through the fauna ctllsand are its functions

tocontrol shape afad positionofthe char bed and supply

oxygen for proper cornbustaonreact7 onsof residual carbon

Seeondary airis also fedthroughthe four walls being itsfunctionstocontrol theheight ofthe char bed mauatain bed

tempercituredr the liquor andburravolcitiles products originatedfromthe liquor heating Tertiary airis fed through thefrontgrad rear wallswith thefinctiorastocomplete liquor eombirstionandseal the furnaceto rninimiethe carry overof

particulatematerial with gases moving tothe upper partofthe boilex Ct

z

0

0N0

n

abA

W

O

Controle de pressao da fornalhaFurnace pressureonfro

Controle das vazoes de ar

primario secundario a terciario

Prrmayserturyandiefrry

NT FT FiC

1 1I B

lf Yf FT I1C CT

e

CT

i TT PT FT IC CT000

00cv

0r

b

C

Figura 3 Esquema do sistema tie ar e eases l Figure 3 Air and gases system diagratrt

4s vazoes de ar primario secundario e terciario sao

controladas individualmente atraves da regulagem das guilhotinas na saida de cada ventilador Figura 3 apresenta o

sistema de ar e gases

METODOLOGIA

Preseleiodasvariaveis

preselecrao das variaveis para o treinamento da rede

neural foi realizada atraves de conhecimento especialista

Goleta de rlarlos

S coleta dos dados de processo foi realizada com o

programa comercial Plant Information PI1escolha deste

program a foi devido a sua disponibilidade na unidade fabril

Os dados foram coletados atraves de medial a cada trinta

minutos A utilizacao de dados medios melhora a precisaodo modelo de processo pois reduz a influencia de transien

cies Elsa escolha foi possivel porque o objetivo do trabalho

e detectar os defeitos incipientes ou seja os defeitos que

se originam de forma lenta Delta forma a modelagem do

processo e realizada em regime permanente quaseestaticaOs dados receberam tratam ento cle m odo a eliminar periodosde panda e periodos de reinicio e reduao do processo

PIG PTI1

I

1

1

1

1

Prrractr secondary andtertiaryairffows are individu

ally adjusted by means ofdatrapers on the outlet of the fans

Figure 3 presents a boiler air andgases system

MfTNDDOLOGY

VariablespreselectionVariables preselection for the neural rzetworh training

was performed with support ofskilled cadvrser

Data collection

Process data collection was accomplished with the

commercial software Plant Inforrraation PI Option forthis program was due to its availability in the industrial

plant Data were collected by rrreans ofaverages zth thirtyminutesirrtervals Application afavercge data irrrpravestlreaecura oft7eprocess rr2odel since effects of transiencies

are decreased This choice was possible becaarse the purer

pose oftlrrswork is to detect incipient effects i e the kind

ofdefects that develop gradually In this ay the process

modeling is carried outire permanent regime almoststaticData are treatedfor avoiding standstill tzmes restarts and

process restrairs per ods

Treinamento da rede neural do processo a determinaaoda residuo

Para o treinamento das redes neurais foi utilizado o pro

gram a c omercial StatisticalNeuralNetworks SNN versao

4 A escolha dente programa foi devida a sua disponibilidadeao baixo Gusto de implantaao da rede e a praticidade na

utilizaaoAs variaveispreselecionadas foram alimentadas

no programa O tipo de rede escolhida foi a MIP com tres

camadas O programa cletermina automaticamente amelhor

rede neural as variaveis de entrada e o niunero otimo de

neuronios na camada intermediaria baneado em criterion

de desempenho e de pandaCorn os resultados fornecidos pelo programa o modelo

de processo foi construido em Excel para o monitoramento

do processo Com umanovabase de dados foi realizada um a

segunda validaaoO objetivo foi verificar a robustez do

modelo desenvolvido A cliferencra entre os valores inferidos

pelo modelo e aqueles medidos no processo deuorigem aos

resicluos Teoricamente oresiduo diferente de zero indica a

existencia de um defeito Entretanto em sistemas reais os

metodos de detecaobaseados em modelos operam em condi

oes nao ideais na presenrade ruidos disturbios e cam erros

de modelagem O que se deseja de um sistema de detecaode defeitos e que ele seja sensivel aos defeitos e insensivelas

incertezas de modelagem e aos ruidos no sistema

Geraaode dados defeituososComo os erros de modelagem e os ruidos de medida nao

inevitaveis em sistemas reais utilizase outs rede neural

para construir faixas de detecao variaveis A utilizacao de

faixa de detecrao fixa apresenta doffs problemas a sensibili

dade do sistema de detecao ficareduzida e a determinacraoda amplitude da faixa e dificil de ser estabelecida ja que

o residuo varia com o sinal de entrada com a magnitudee a natureza dos disturbios do sistema TINOS 1999 Por

exemplo escolhendosefaixas de detecao fixas muito pe

quenas aumentase o numero de alarm es falsos Por outro

lado escolhendosefaixas de detecaofixas muito granderreduzse consideravelmente a sensibilidade do sistema de

detecaoUtilizando uma rede neural para a analise dos re

siduos afaixa de deteccao e determinada de acordo com os

padroes do conjunto de treinamento nao sendo necessaria a

utilizaaodos conhecimentos de um especialista

Treinamento da rede de elassifieaaoPara o treinamento da rede de classificaao foram ne

cessarias dugs bases de dados uma onde nao ha defeitos e

a outs onde ha defeitos nos sensores de processo Os dados

defeituosos nao gerados pela inclusao de erros no modelo

neural de prediraoAvantagem dente metodo aclvem dofato

de que em algumas situarroes a inclusao de erros diretamente

nos sensores de processor criticos nao pode ser annum ida

Training of the process neural network and residue deter

rnlnatl ort

For the neural networks training the rnarAetedsoftwareStcctrsticalNeuralretorks SNP version 4 was adoptedReasonsfor dais software option were its availabilit low

cost of the network implementation and the friendly use

Preselected data were fed to the program Three layersMLP was the chosen type ofnetwork This program auto

matically defanes the bestneuralnetworkinputvaria1lesand the optimalnunaber of nerarons in the intermediarylayer based on performance and stoppang

Ylith the results provided by the program the pro

cess model wins put up in an Excel worksheet sheet forthe monitoring ofthe praeess Through a new database

a second validation was performeca The cairn was to

check the robustness of the developedrrodel The diererzce bet7reen the alues inferred by the model and those

rraeasuredonprocess yielded the residues Theoreticallyresidue differentfrom zero rs to denote Gen existing defectHowever in actual systems detection methods based ora

models run irr nonideal conditions an presence ofnoises

disturbances and withazodeling errors YTlaat is expectedfiorra a defects detection system is responsiveness to defectsand insensitiveness to modeling uncertainties cndnoises

of the system

Defectiyedata set upBecause rraodeling errors and measurement noises are

unavoidable in actual systems another raeurcal network is

casedfor the set up of variables detection bands Itiliza

tiorr ofsteady detection band gives rise to two problerrasthe system detection sensitiveness is deereasec and the

deterrraination of the band amplitude outcorraes difficult to

defane since the residue fluctuates as per the input signaland the magnitude and sort of the system disturbances

TlOS 1999 For example if opting for very narrrow

constantdetection bands the amount ofmislecrding alarms

is increased CJn the otherharrc ifoption isforvery largeconstant detection bands the sensitivity of the detection

system is greatly reduced By using a neural netorkforthe residues analysis the detection band gets deterrriined

according to the standards ofthe trarning set thus avoid

tr2g the needfor outsourcing expertise

Training of the classification netaork

For the classification network training there wcas need

oftwo databases one defectfree and the other with defectscontent in process sensors Defective data care generated bythe inclusion ofergorsin the prediction neural model Profitof this method comesfrom the fact that in some situations

the inclusion oferrorsstrarght in the criticalprocess sensors

cannot be taken on

4

LN

f

z

00c

0

nou

W

O

0000cv

0

r

b

C

Com as duas bases de dadas foi realizado o treinamento

da rede de classificaaoPara isso foi utilizada a rede 1ViLP

cam tiescamadas Alguns autores LOONEY 1997 TINOS

1999 e LI et al 2001 compararam o desempenho das cedes

MLP e de base radial aplicadas em problemas de classifi

caraa A escolha da rede MLP fai baseada nas seguintesconsideraoesidevida aos bons resultados obtidos por LI

et al 2001 iidevido ao bom desempenho da rede MLP

na classificaraodos dados deste trabalho iii devido nao

sec o foco deste trabalho a comparaaodo desempenho de

diferentes tipos de cedes neurais

As duas cedes neurais foram programadas em Excel Para

o manitoramenta do processo O desempenho de sistemas de

deteccao e avaliado com base em doffs indicadores a taxi de

alarmes falsos e a capacidade de detecao de defeitos

O processo foi monitarado pordoffs mesese meio na ausen

cia de defeitos Para a determinaao da taxi de alarmes falsos

4 capacidade de detecao de defeitos foiaaliada si

mulando error de ate 20 nas variaveis de processo A

capacidade de detecaodo metodo foi avaliada baseada na

magnitude do erro envalvida

RESULTADDS

Preseleaodas variaveis

As variaveis forampreselecionadas atraves de conheci

mento especialista Saoelas corrente domotor do ventilador

de ar secundario CARS temperature do ar secundario

TARS pressao do ar secundario PARS sinal de saida do

cantrolador de vazao de ar secundario OVARY vazao de ar

secundario VARS e pressao da fornalha PFOR

Coleta de dados

Foram coletados 16662 pontos de operaaoPara o treina

mento da rede neural do processo O tratamento dos dados foi

baseada emianalise de checagem de limitespara eliminar

periodos cle parade redurao e reinicia ii analise de velar

numerico Para eliminar defeitos na Goleta armazenamento

e transferencia de dadas do PI pare o Excel iii analise da

taxi de variarao pare eliminar sinais de medirao cangeladose pontes de operaaocam grander variacoes de processo

transiencies Foram consideradas variaroesmenores que

90critic doffs pontos de operaraoEste determinacao foi re

alizada pela analise das variabilidades de firma empirica

Treinamento da rede neural do processo a determinaaodo residuo

O treinamento da rede neural foi realizado atraves do

SNN A rede de melhor desempenho fai a NILP de ties ca

madas cam 2 neur8nios na camadaintermediaria e com trey

variaveis de entrada VARS CARS e PARS As variaveis

TARS e PFOR foram descartadas deste modelo devido a

lith the hvodatabases the training ofthe classificationnetwork waspeonned Therefore the flares layersiILP

raet7vork was theadoptedone Sorrte authors LOOIVEI 1997

TINOS 1999 and LI et aL 2UQ1 have comparedlfLPhzth

radial base networksperforaaance whenappliedto classcation problems Preference forlIP netword was supportedby the following evrasiderations z clue to the good results

achieved by LI et al 0001 iiclue to the goodperforrraingof the NILP network in clcessifying data of this work iiibecaTse is riot the aina ofdaiswork to make anyperformancecomparison ofdifferent kind of neural networks

The two neural networks were prwgrammed in Excel

softwarefor the pt cessnaonitvring Perforrnarace of detec

tion systems is assessed with reference to two indicatorstlae

misleading alarms rate and thedfeets detection capacityThe prvicess was monitored during hvo anda halfmonths

in crhsence ofdefects for deternairaing misleading alarms rate

Defects detection capacity was evaluatedby simulatingerrors of up to27 magnitude in prvicess variables The

detection ability of the method Ives evaluated with base on

the extent oftheeorinvolved

RESULTS

Preselection ofvariables

Variables werepreselected with sarpport ofexpertise Variables are load of the secondary air fan motor

CARSS secondcrryair temperature TARS secondaryair pressure PARS output signal of flee secondary air

flow controller O VAR secondary airflow V4RS and

furnace pressure PFOR

Data collection

YTre collected 15 662 operation pointsfor the training ofthe process neural network Data treatment rves based on ito check analysis limitsfor the exclusion of standstill times

restarts andprocess restrains ii numerical vcdue analysisfof the removalofdefects during collection storage anddcita

trcrnsferringfrona PI to theExcel iii variation rate analysisfor flee removal offrozen measurementsrgnals andoperatz on

points thatundertierat s7gn cantprocess variations transiencies Variations smaller than 90 bettiveen two operatingpoints were accounted This guideline was perforaaed via

variabilit analysis Ira empiricform

Training of the process neural neriaor and residue deter

mination

Training of the neural network was performed throughthe SNV The network with best performance roes the ILP

xith three layers two neurons in tine intenraediary lcryer and

with three inputvarrables VARS CARSandPARS Variables

CARS andPARS were discardedfrom this model due to tine

baixacorrelaao com a variavel inferida AFigura 4 apresentaa estrutura da rede neural

A Tabela 1 apresenta os resultados estatisticos da rede

de melhor desempenho Os coeficientes de correlarao dos

etapas de treinamento verificaao e validaao foram0895

090 e 0899 respeetivamentePela analise de sensibilidade domodelo neural realizada

pelo SNN as variaveis em ordem de importancia foram

VARS CARS e PARS

Com umanova base de dodos de tres meses de operaraofoi realizada umasegunda validarao nomodelo de processo

Os resultados sao apresentados nos Figural 5 e 6

low correlation with inferredvariable Figure 4 presents the

neural net7vork strueture

Table 1 gives statistical results of network with best

performance Correlation cozffdents of thetreatnaent ver

facation andvalidation stages were U X495 U9U andU899

respectivelyProm the neural model sensitivity analysis performed

by SNN variables in sequence ofrmportance were LIARStARSand PARS

With a nefv database referredto three months operationa second validation of the process model was perforrraecResults areshown in Figures 5 and 6

100

as

ao

zo

60

60

40

80

24

1 u

O

O 2000 x000 8000 8000 1 O000I 12000 1x000 18000 18000 20000 22000amastras

InferidopelomodelotreinamNerilvalidag5o Inferidopelomodelona2validag5o iNedidonoprocessoInferred by the tram Nerilvalidatloamodel Inferred by the nmdel in 2validation anprocess eneasureman

Figura 5 Sinais reais e inferidas pela MLP dos saidas da cantroladar de vazao da ar secundaria livre de defeitas dos eta

pas de treinamento verificaao e validarao em azul escuro a da segunda validaao em azul claro da MLP de predirao da

malha de controls da vazao do ar seamdaria Figure 5 MLP real and Inferred secondary air flow controller oufputs signalsdefectstree of the trariIng verricarrar arcl validation stages dark blue and of the second MPL Validation light blue of

the secondary air flatn antral loop prediction

Ct

L

rJ

00N

O

nQ

CA

rw

O

Figura 4 Estrutura da rede neural do modelo do processoiure4 Neura network sfrucfure of fhe process model

Tabela 1 Resultadas estatisticas da rede neural da processo Table tStatistical results of the process neural network

0000cv

0

r

cbA

C

pro

3Q

O

a

0

o

20

n

ar

Figura 6 Residuos

A faixa represents o intervalo compreendido entre a media 3 desvi

ler arrtnits defectsfree of training verification and validation str

secondary air flow control loon prediction Barrd carresporrds to the

A etapa da 2avalidaao apresentouvalores demedia do resi

duo igual a113 eodesviopadraodo residuo igual a367Considerando uma faixa de 6 desviospadraotemse um interva

lode1213ioa 987 As etapas detreinamentoverificaaoll8

validaCao apresentaram valor de media do residuo a 000 e

desviopadrao do residuo igual a343Comparativamente o

intervalo com 6 desviospadrao foi de 103a 103Os residuos citados representam basicamente a impreci

sao do modelo pars predizer o comportamento do processo

Aprecisao do sistema cle detecrrao e intimamente dependenteda precisaa do modelo de processo

Geraaode dodos defeituossPara o treinamento da rede de classificaCao foi necessario

uma base de dodos defeituosos A geraaodesta foi realizada

pela inclusao de erros nosvariaveesutilizando o m odeloneural de

prediaoOs erros sao inseridos positivos e negativos de forma

que o residuo apresente intervalo igual oumaior que o intervalo

determ inado nos etapas de validaioo AFiura 7 apresenta a com

paraCao entre os residuos na ausencia e na presenade defeitos

a Figure Residues of the secondary air flaw cantrol

k b1ueJ and of the MLP second validation light blue of

between the average and 3 standard deviations

Tlae second validationstage exhibiteda residlae averagevalue

equal to113and a esidue standard deviaation equal to36

Taking into account an camplita de of6 staradcaadeviations there

will be can inteavalfrom1213to95 Training verificatrcnacrud lvaluatiorrstages show an average residuevalaae ofD0arzdca residuestandard deviation equal to3x3In cotmparisorinterval with 6 standard deviations was from 10xto 103

Mentioned residues basically denote the inaccuracy ofthe model inprecieting the process behavio The accuracy

ofthepredictionsrstem is closely dependenton theprecision

ofthe process model

Defective data set up

The clcassifzcatron networktraining deJ7randedfor a defectrwe

database The setup ofthis database was perfornared by erors

introduction into variables makirzguse oftlae neurcxlpredictionmodel Errors care inserted positives and negatives in ca wcayr

tlae reszcaewilldenote interval equal orhigherthan tlae iriteral

determined forthe validation stages Figure showsthe comparisonbetween residues with absence or presence ofdefects

ErroTreinamtveriftlvalidagao Erro2validaQaoError7rairrfuerifc9uaNdalion Frrer 2validaiinrr

Media3desvios padr5n Media3desvios padr5nAvnrrre 3sfardard devratinrs Acerce3srirdard d2rrratinrs

Figura 7 Comparaaoentre os residuos na ausencia e na presenade defeitos gerados atraves do modelo neural de prediaopars o treinamento da MLP de classificaao dos residuos l Figrlre Comparison 1letatfeenrsidues nitrl absence or preseneof defects originated through the rrecrral prediction model for the MLP residues classification training

Figura 8 Estrutura da rede neural de classiticaao 1igure 8 Structure of fhe classlflcatlan neural network

Treinamento da rede de classificaaoAs variaveispreselecionadas para o treinamento da

rede neural de classificaaoforam as mesmas variaveis

de entrada da rede do modelo do processor VARS CARS

PARS e a variavel ERRO As variaveis de saida da rede sao

VERDADEIRO e FALSO ou seja dodos sem defeitos

e dodos com defeitos respectivamenteA rede de m aiordesempenho foi a MLP de tres camadas

com dezesseis neuronios na camada intermediaria e com as

quatro variaveis de entrada A Figura 8 apresenta a estrutura

da rede neural

Tabela 2 apresenta os resultados de desempenho dos

etapas de treinamento verificaCaa e validarao da rede neural

de classificacrao

Training of tke classification netaork

The preselectedvcaricahlesfor thetyaining of the classifzcationneuralnevorkweresameastlae inputvccraclllesofthe

process model network YARS C4RS PARS cand a valuable

E7ZR0 error The nettiorkoutput variables are REAL

and FALSE ie defectfree data and defects containingdata respectxvety

The three lavers L1LP was the hest performing net

work with sixteen neurons ire the intermediar layer and

with tTefour inplts variables Figure S shows the neural

raetxorkstructure

Table 2 gives the performance results of the training

verification and validation stages of tFae cLasscation neural

etYtOrI

Tabela 2 Resultados estatisticos da rede neural de classiticaao Table 2 Sfatlstlcal results of fhe classlficaflon neural network

Sem defeitos Cam defeitos Sem defeitos Cam defeitos Sem defeitos Cam defeitos

qfre e iF3atisid 44w3 Fs tj31 yS1k5 a11o if S ci

Total 7959 44699 7701 18628 5403 20925

Classificaaocorreta7687 43422 7475 17998 5223 20120

CCrfSltlCFtti011

Classificarao errada272 1277 226 630 180 805

vrD11CaSS1f1Cc3t1C17

Classificagao correta971 96 7 963

Correctclssifrctinll

Classificaaoerrada a 2 9 33 37dwirEJ ti12lflriX11 t

Ct

LN

z

00N

0

na

W

O

˝Ü¸Ü Ü ØÉÜ˝Ü ÙØ É¸ØÔˇÜ—ØˇÉ˛ ˝Ü¸Ü Ü ØÉÜ˝Ü ÙØ˚ÉÜÖØ ÜˇÙ

˛¸ ÉÕØ˙ÜÑÔÙÜÉÔ˛ˇ ˚ÉÜÖØ ÜÑÑ É˛ÖØÉÕظ Ó¨ˇÉÜ˚ ɲÉÜÑÔˇÖ íØÑÜ Üˇ ÑÔ˚ØÙØ ˚Øˇ˚ÔÛÔÑÔÙÜÙØ ÙÜ ¸ØÙØ Ü˚ ˙Ü¸Ô ˙ØÔ˚ Ø—˛¸ ü˚ ˝Ø¸ ÉÕØ

ˇØɢ˛¸Ò ˚Øˇ˚ÔÉÔ˙Ôɘ ܡÜј˚Ô˚ ˙ܸÔÜÛÑØ˚ Ôˇ ˚Ø ÙØ— ÙØ Ô—˝˛¸É ˇÚÔÜ ˛¸Ü— łººî çüºŒ œüºŒ Ø íüºŒ Ì¨ØˇÚØ ˛ Ô—˝˛¸ÉܡÚØ˘Ø¸Ø łººî çüºŒœüºŒ ÜˇÙ íüºŒ î˚ —˛ÙØÑ˛˚ ˇØ¨¸ÜÔ˚ ÙØ˚Øˇ˙˛Ñ˙ÔÙ˛˚ ˛¸Ü— ˝¸˛Ö¸Ü—ÜÙ˛˚ ˇ˛ ØÕØ ÙØ˙ØÑ˛˝ØÙ

ˇØ¨¸ÜÑ —˛ÙØÑ˚ ˘Ø¸Ø ˝¸˛Ö¸Ü——ØÙ Ôˇ ł¯ ł¯ÚØÑ ˝Ü¸Ü —˛ˇÔɲ¸Ü—ØˇÉ˛ Ú˛ˇÉ ˇ¨˛ Ù˛ ˝¸˛ÚØ˚˚˛ü ÔÖ¨¸Ü ÚØÑ ˛¸Ú˛ˇÉÔˇ¨ÜÑ ˝¸˛ÚØ˚˚ —˛ˇÔɲ¸ÔˇÖ ÔÖ¨¸Ø ¸Ø˝¸˛Ù¨ÚØ˚ Ü—˛˚É¸Ü ¨—Ü ÉØÑÜ Ù˛ ˚Ô˚ÉØ—Ü ÙØ˚ÉØ —˛ˇÔɲ¸Ü—ØˇÉ˛ ł˚ÉÜ ÉØÑÜ —˛ˇÔɲ¸ÔˇÖ ˚˜˚ÉØ— ˚Ú¸ØØˇ

ØÕÔ˚ ˚Ú¸ØØˇ ˚Õ˛˘˚ ÉÕØ Ö¸Ü˝ÕÔÚ ˛¸— ˙Ô˚¨ÜÑÔˆÜÉÔ˛ˇ ˛ ÉÕØ ˛ÚÚ¨¸¸ØˇÚØ ˛¸ ˇ˛É˛ ÙØ ØÚÉ˚ øØ ØÚÉ˚ ¸ØØ ˇ ˛ÙØ ÙØ ØÔɲ˚ øÜÙ˛˚ ˚Ø— ÙØ ØÔɲ˚˚˛ ˙Ô˚¨ÜÑÔˆÜÙ˛˚ Ú˛— ÙÜÉÜ Ü¸Ø ˙Ô˚¨ÜÑÔˆØÙ ˘ÔÉÕ ˙ÜÑ¨Ø mlÜˇÙ ÉÕØ ÙØ ØÚÉÔ˙Ø ÙÜÉÜ ˙ÜÑ˛¸ mlØ ÙÜÙ˛˚ ÙØ ØÔɨ˛˚˛˚ Ú˛— ˙ÜÑ˛¸

ml˘ÔÉÕ ˙ÜÑ¨Ø mlü ÙØÉØÚÉÔ˛ˇ ˚˜˚ÉØ—ÚܡÛØ Ü˚˚Ø˚˚ØÙ —ÜÔˇÑ˜ ÉÕ¸˛¨ÖÕ É˘˛ ÜɸÜ˙ ˚ ÙØ Ù˛Ô˚ ÔˇÙÔÚÜÙ˛¸Ø˚ ÙØ ÙØ˚Ø—˝ØˇÕ˛ ÜÉÜ¯Ü ÙØ ÜÑܸ—Ø˚ ˝Ø¸ ˛¸—ܡÚØ ÔˇÙÔÚÜɲ¸˚ ÙØ ØÚÉ˚ÜÑ˚Ø ÜÑܸ—˚ ¸ÜÉØ Ôˇ ÔÉ˚ ÜÛ˚ØˇÚØ ÜÑ˚˛˚ ÙØ ÙØ ØÔɲ˚ ˇÜ ܨ˚ ˇÚÔÜ ÙØ˚ÉØ˚ ØÜÚÜ˝ÜÚÔÙÜÙØ ÙØ ÙØÉØÚ ÜˇÙ ÉÕØ ÚÜ˝ÜÚÔɘ ˛ ÙØ

ØÚÉ˚ ÙØÉØÚÉÔ˛ˇ ØÕØ ˚˜˚ÉØ— ˘Ü˚ Ü˝˝ÑÔØÙ ˛ Ù˛˚ ÙØ ØÔɲ˚ î ˚Ô˚ÉØ—Ü ˛Ô¨ÉÔÑÔˆÜÙ˛ ˝Ü¸Ü —˛ˇÔɲ¸Ü—ØˇÉ˛ ˛¸ Ú˛ˇÉÔˇ¨ÜÑ —˛ˇÔɲ¸ÔˇÖ ˛ÉÕØ ˝¸˛ÚØ˚˚ Ù¨¸ÔˇÖ ɢ˛ —˛ˇÉÕ˚ ˛ Ù˛ ˝¸˛ÚØ˚˚˛ Ù¨¸ÜˇÉØ Ù˛Ô˚ —Ø˚Ø˚ ÙØ ˛˝Ø¸Ü ˛ ˇ˛¸—ÜÑ ü ÉÜ¯Ü ˇ˛¸—ÜÑ ˛˝Ø¸ÜÉÔ˛ˇÜÑ˚Ø ÙØ ØÚÉ˚ ÜÑܸ—˚ ¸ÜÉØ ˘Ü˚ ÙØ ÜÑܸ—Ø˚ ÜÑ˚˛˚ ÙØ ÙØ ØÔɲ˚ ˛Ô ÙØ ˛¸ ÉÕØ ÙØÉظ—ÔˇÜÉÔ˛ˇ˛ ÉÕØ ÙØ ØÚÉ˚ ÙØÉØÚÉÔ˛ˇ ÚÜ˝ÜÚÔɘ íÜ¸Ü Ü ÙØÉظ—ÔˇÜ ˛ ÙÜ ÚÜ˝ÜÚÔÙÜÙØ ÙØ ÙØÉØÚ ˛ ÙØ ÙØ Ø¸¸˛¸˚ ˘Ø¸Ø

ԡɸ˛Ù¨ÚØÙ ÔˇÉ˛ ÉÕØ Ú˛ÑÑØÚÉØÙ ˝¸˛ÚØ˚˚ ˙ܸÔÜÛÑØ˚ ØÔɲ˚ ˛¸Ü— Ôˇ˚ظÔÙ˛˚ ظ¸˛˚ ˇ˛˚ ˙ÜÑ˛¸Ø˚ ÙÜ˚ ˙Ü¸Ô ˙ØÔ˚ Ù˛ Û˜ —Øܡ˚ ˛ ÉÕØíô ł¸¸˛¸˚ ¸˛— ɲ ˘Ø¸Ø Ôˇ˚ظÉØÙ ˝¸˛ÚØ˚˚˛ Ú˛ÑØÉÜÙÜ˚ ÜɸÜ˙ ˚ Ù˛ íô ˛¸Ü— Ôˇ˚ظÔÙ˛˚ ظ¸˛˚ ÙØ ÔÖ¨¸Ø دÕÔÛÔÉ˚

ÉÕØ ¸ØÑÜÉÔ˛ˇ ÛØɢØØˇ ÙØ ØÚÉ˚ ÙØÉØÚÉÔ˛ˇ Ü ü ÔÖ¨¸Ü Ü˝¸Ø˚ØˇÉÜܸØÑÜ ˛ ØˇÉ¸ØÜÚÜ˝ÜÚÔÙÜÙØ ÚÜ˝ÜÚÔɘ ÜˇÙ ÙØ ØÚÉ˚ —ÜÖˇÔɨÙØ ÙØ ÙØÉØÚ˛ÙØ ÙØ ØÔɲ˚

˙ظ˚¨˚ Ü —ÜÖˇÔɨÙØ Ù˛˚ ÙØ ØÔɲ˚ íØÑÜ ÔÖ¨¸Ü ˛Û˚ظ˙Ü ˚ØÌ¨Ø˛ —˛ÙØÑ˛ Ú˛ˇ˚ØÖ¨Ô¨ ÙØ Ú˛—˝ÑÔ˚ÕØÙ É˛ ÙØÉØÚÉ ˛ ÉÕØɲÉÜÑ ÙØ ØÚÉ˚ ˘ÔÉÕ ¨˝ ɲ ÉØÚÉܸ Ù˛ ɲÉÜÑ Ù˛˚ ÙØ ØÔɲ˚ Ôˇ˚ظÔÙ˛˚ Ú˛——ÜÖˇÔɨÙØ—ÜÖˇÔɨÙØ Ôˇ˚ظÉØÙ ÔˇÉ˛ ÉÕØ—ÜˇÔ˝¨ÑÜÉØÙ ˙ܸÔÜÛÑØ ÙØ ÜÉˇÜ ˙Ü¸Ô ˙ØÑ —ܡԽ¨ÑÜÙÜ Ú˛——ÜÖˇÔɨÙØ ˘ÕØˇ ˘ÔÉÕ ¨˝ ɲ—ÜÖˇÔɨÙØ ÜˇÙ Ô ˘ÔÉÕ ¨˝É˛ ÙØ ÜÉ Ø Ú˛— —ÜÖˇÔɨÙØ ÙØ ÜÉ —ÜÖˇÔɨÙØ ôÉ Ô˚ ˚ÉÔÑÑ É˛ÛØ ˛Û˚ظ˙ØÙ ÉÕÜÉ ÉÕØ ÙØÉØÚÉÔ˛ˇ ¸ÜÉØ ÜÔˇÙÜ Ì¨Ø Ü Ú¨¸˙Ü ÙÜ ÉÜ¯Ü ÙØ ÙØÉØÚ ˛ˇ ˛ ÚØˇÉ¸ÜÑÔˆÜÙÜ Ú¨¸˙Ø Ô˚ ˇ˛É ÚØˇÉ¸ÜÑ ØÕØ

د˝ÑܡÜÉÔ˛ˇ ˛¸ ÉÕÜÉ Ô˚ ÛØÚܨ˚Ø ÉÕØ øłŒł ¨ ÙUY˝Ø Ø Ö Ó¨˝Éˇ É ˛É˝˚ É Ø˝ÉÓɨˇÛ Ø Û˚É Ù˙˛Ø ˚Ó˝ øłŒ ł Ö Ù¨É Ø ¨ Ù¨Ó˝˛ Ӳɲɽ˚É ˝Ö

¨Ô É Ù˝˛ØÛ˚ˆ ÛÓ˚ Ɉɨˇ Ø ˛É˝˚ɲ˝˚ˇÛÓÉØ ˛É˝˚ Ö̌Û—ÔÛ

î˝˚ˇÛ— É ˛É˝˚É öÛ˙—¨ˆ É ˛É˝˚ öÓÕ˙˚Û öÓÕ˙˚ łÖ Ù¨É Ø

¨Ù¨Ó˝˛ÉˆÉ¨ˇı˚ÛÌÔÓÙÉÙ˚˛

˚˚˝ ÉÓˇ˙—ÛØ˝ ØÓˇ˙—Û¨ Ø ˚˚˝˚

öÓÕ˙˚Û ŁÛ˜Û Ø Ø ¨ ÙUY˝ Ø Ø Ö Ó¨˝É Û ˇÛÕ˛Ó¨˙Ø Ø˝É ˚˚˝É Ó˛É ˚ÓØ˝É ˛˝É ÉÓ˛ÛÓÉ Ø ÉÛOØÛ Ø˝ Ù˝˛¨˚˝—ÛØ˝˚ Ø ˘Û´Y˝˘ ˚É˙ÉØ˝ Û˚ É Ù˙˛Ø˚Ó˝ öÓÕ˙˚˝˙¨Ì˙¨ ÉÓÕ˛Û—É

ô˚˚˛ د˝ÑÔÚÜÙ˛ ˝˛¸Ì¨Ø ˛ ˙ÜÑ˛¸ —ÙÔ˛ Ù˛ ¸Ø˚ Ù¨˛ ÙØ˚ÉÜ ˇ˛˙Ü Ü˙ظÜÖØ ˙ÜÑ¨Ø ˛ ÉÕØ ¸Ø˚ÔÙ¨Ø ˘ÕÔÚÕ Ôˇ ÉÕÔ˚ ˇØ˘ ÙÜÉÜÛÜ˚Ø Ô˚ÛÜ˚Ø ÙØ ÙÜÙ˛˚ ˝¸ ¯Ô—˛ ÜÚÑ˛˚Ø É˛

ÙØ˙ÔÙ˛ Ô—˝¸ØÚÔ˚˛ Ù˛ —˛ÙØÑ˛ ÙØ ˝¸ØÙÔ ˛ ÉÔ˛ˇ —˛ÙØÑ ÔˇÜÚÚ¨¸ÜÚ˜

ü ÉÚˇÔÚÜ ÙØ ¸ØÙØ˚ ˇØ¨¸ÜÔ˚ ¨ÉÔÑÔˆÜˇÙ˛ ¸ØÙØ˚ Ù˛ ÉÔ˝˛ ðæí ØÕØ ˇØ¨¸ÜÑ ˇØɢ˛¸Ò˚ ÉØÚÕˇÔÌ¨Ø —ÜÒÔˇÖ ¨˚Ø ˛ ÉÕØ ðæíÚ˛ˇ˚ØÖ¨Ô¨ —˛ÙØÑܸ ¸Üˆ˛Ü˙ØÑ—ØˇÉØ ˛ ˚Ô˚ÉØ—Ü ÙØ Ü¸ ˚ØÚ¨ˇÙ¸Ô˛ ˚ɘÑØ ˇØɢ˛¸Ò˚ ÜÚÕÔØ˙ØÙ É˛ ¸ØÜ˚˛ˇÜÛј —˛ÙØÑ ÉÕØ ˚ØÚ˛ˇÙܸ˜

ÜÔ¸ ˚˜˚ÉØ— ˛ ÉÕØ ÚÕØ—ÔÚÜÑ ¸ØÚ˛˙ظ˜ Û˛ÔÑظ œ˛¸¸ØÑÜÉÔ˛ˇ Ú˛Ø

˛¸Ü— ÙØ Ø ¸Ø˚˝ØÚÉÔ˙Ü—ØˇÉØ ø¨¸ÜˇÉØ ˛ ˘Ø¸Ø ÜˇÙ ¸Ø˚˝ØÚÉÔ˙Øј ø¨¸ÔˇÖ Ü —˛ˇÔ—˛ˇÔɲ¸Ü—ØˇÉ˛ ÙØ ¨— ˝Ø¸ ˛Ù˛ ÙØ —Ø˚Ø˚ ÙØ ˛˝Ø¸Ü ˛ ˛ ɲ¸ÔˇÖ ˛˝Ø¸ÜÉÔ˛ˇ ˝Ø¸Ô˛Ù ˛ —˛ˇÉÕ˚ ÉÕØ —˛ÙØÑ ÕÜ˚ ˚Õ˛˘ˇ—˛ÙØÑ˛ Ü˝¸Ø˚ØˇÉ˛¨ ˝Ü¸Ü Ù˛˚ ÙÜÙ˛˚ ˝¸ØÚÔ˚˛ ÙØˇÉ¸˛ ˛¸ ˛ ÉÕØ ÙÜÉÜ ÜÚÚ¨¸ÜÚ˜ ˘ÔÉÕÔˇ ÉÕØ Ø¸¸˛¸ ÔˇÉظ˙ÜÑ ˛Ù˛ ÔˇÉظ˙ÜÑ˛ ÙØ Ø¸¸˛ ØˇÉ¸Ø Ü É˛

˝ÑÔ˚ÕØÙ É˛ ÜÙØ̨ÜÉØј ÚÑÜ˚˚Ô ˜ ÉÕØ ¸Ø˚ÔÙ¨Ø˚ œ˛¸¸ØÚÉ ÚÑÜ˚˚Ô

˙ÜÑÔÙÜ ˛ ˛¸Ü— ÙØ Ø ˚ÉÜÖØ˚ ˘Ø¸Ø ÜˇÙ¸Ø˚˝ØÚÉÔ˙Øј î— É˛Ù˛ ÙØ ÙØÉØÚ ˛ ÙØ ÙØ ØÔɲ˚ ˛ÔÉØ˚ÉÜÙ˛ Ù¨¸ÜˇÉØ Ù˛Ô˚ ØÕØ ÙØ ØÚÉ˚ ÙØÉØÚÉÔ˛ˇ —ØÉÕ˛Ù ˘Ü˚ ÉØ˚ÉØÙ Ù¨¸ÔˇÖ

ɢ˛ —Ø˚Ø˚ ÙØ ˛˝Ø¸Ü ˛ Ú˛— ¨— Ú˛ˇÓ¨ˇÉ˛ ÙØ ÙÜÙ˛˚ ˇ˛ ɸØÔˇÜÙ˛˚ ˛˝Ø¸ÜÉÔ˛ˇ —˛ˇÉÕ˚ ˘ÔÉÕ Ü ˚ØÉ ˛ ˇ˛ˇ ɸÜÔˇØÙ ÙÜÉÜ ØÕØÜÑ˚Ø ü ÉÜ¯Ü ÙØ ÜÑܸ—Ø˚ ÜÑ˚˛˚ ˛Ô ÙØ ÜÑܸ—˚ ¸ÜÉØ ˘Ü˚˛ íÜ¸Ü Ø¸¸˛˚ ˚Ô—¨ÑÜÙ˛˚ ÙÜ ˛¸ÙØ— ÙØ ÙØ Ö¸ÜˇÙØˆÜ ˛ ˛¸˚Ô—¨ÑÜÉØ٠ظ¸˛¸˚ Ôˇ ÉÕØ ¸ÜˇÖØ ˛

—ÜÖˇÔɨÙØ ˚Ô˚ÉØ—Ü ÙØ ÙØÉØÚ˛Ú˛ˇ˚ØÖ¨Ô¨ ÙØÉØÚÉܸ Ø— ɲ¸ˇ˛ ÙØ ÉÕØ ÙØÉØÚÉÔ˛ˇ ˚˜˚ÉØ— ÜÚÕÔØ˙ØÙ ÙØ ØÚÉ˚ ÙØÉØÚÉÔ˛ˇ ˛Ü¸˛¨ˇÙ Ù˛˚ ÙØ

ØÔɲ˚ øØ ÜÚ˛¸Ù˛ Ú˛— ˛˚¸Ø˚¨ÑÉÜÙ˛˚ ˛ÛÉÔÙ˛˚ ˛ ˚Ô˚ÉØ—Ü ÙØ ÙØÉØÚ ˛ üÚÚ˛¸ÙÔˇÖ É˛ ÉÕØ ˛ÛÉÜÔˇØÙ ¸Ø˚¨ÑÉ˚ ÉÕØ ÙØ ØÚÉ˚ÙØÉØÚÉÔ˛ˇ ÙØ ÙØ ØÔɲ˚ ¨ÉÔÑÔˆÜˇÙ˛ ¸ØÙØ˚ ˇØ¨¸ÜÔ˚ Ù˛ ÉÔ˝˛ ðæí Ø˛ Ú˛ˇÚØÔɲ ˚˜˚ÉØ— —ÜÒÔˇÖ ¨˚Ø ˛ ðæí ɘ˝Ø ˇØ¨¸ÜÑ ˇØɢ˛¸Ò˚ ܡÙÉÕØ ÙØ ÖظÜÙ˛¸Ø˚ ÙØ ¸Ø˚ Ù¨˛˚ Ú˛ˇ˚ØÖ¨Ô¨ ÙØÉØÚÉܸ ˛˚ ÙØ ØÔɲ˚ ÙØ Ú˛ˇÚØ˝É ˛ ¸Ø˚ÔÙ¨Ø ÖØˇØ¸ÜÉÔ˛ˇ ÜÉÉÜÔˇØÙ É˛ ÙØÉØÚÉ ÉÕØ ÙØØÚÉ˚ ¨— Ú˛ˇÓ¨ˇÉ˛ ÙØ ˝ÜÙ¸ Ø˚ ˇ˛ ɸØÔˇÜÙ˛˚ Ø ˝˛ÙØ ˚ظ Ú˛ˇ˚ÔÙظÜÙ˛ ˛ Ü ˚ØÉ ˛ ˇ˛ˇ ɸÜÔˇØÙ ˚ÉܡÙܸÙ˚ ÜˇÙ Úܡ ÛØ ¸ØÖܸÙØÙ Ü˚Ü Ú˛—˛ ¨—Ü Û˛Ü Ø¸¸Ü—ØˇÉÜ ÙØ Ü¨¯ ÑÔ˛ ˛˝Ø¸ÜÚÔ˛ˇÜÑ Ö˛˛Ù ˛˝Ø¸ÜÉÔ˛ˇÜÑ

Ü˚˚Ô˚ÉܡÚØɲ˛Ñ

üÑØ˚˚ÜˇÙ¸Ô ü ܨÑÉ ÙÔÜÖˇ˛˚Ô˚ ˛¸ ˇ˛ˇÑÔˇØܸ ˚˜˚ÉØ—˚ ¨˚ÔˇÖ Ü ÛÜˇÒ ˛ ˇØ¨¸ÜÑ Ø˚ÉÔ—Üɲ¸˚ œ˛—˝¨Éظ˚ ÔˇôˇÙ¨˚ɸ˜

üÑ—ØÔÙÜ ö ð íÜ¸Ò Œ æ í¸˛ÚØ˚˚ —˛ˇÔɲ¸ÔˇÖ Ôˇ ÚÕØ—ÔÚÜÑ ÔˇÙ¨˚ɸÔØ˚ o ü ÕÔÙÙØˇ ðÜ¸Ò˛˙ ü˝˝¸˛ÜÚÕ ÉÕ

ł¨¸˛˝Øܡ Œ˜—˝˛˚Ô¨— ˛ˇ œ˛—˝¨Éظ üÔÙØÙ í¸˛ÚØ˚˚ łˇÖÔˇØØ¸ÔˇÖ o łŒœüíł

üˇÖØÑ˛˙ í ØÉ ÜÑ üˇ Ü˝˝¸˛ÜÚÕ É˛ —˛ÙØÑ ÛÜ˚Ø٠ܨÑÉ ÙØÉØÚÉÔ˛ˇ Ôˇ ÔˇÙ¨˚ɸÔÜÑ —ØÜ˚¨¸Ø—ØˇÉ ˚˜˚ÉØ—˚ ˘ÔÉÕÜ˝˝ÑÔÚÜÉÔ˛ˇ ɲ ØˇÖÔˇØ ÉØ˚É ÛØˇÚÕØ˚ ðØÜ˚¨¸Ø—ØˇÉ ŒÚÔØˇÚØ ÜˇÙ ØØÚÕˇ˛Ñ˛Ö˜

¸ØÜɲ¸ ôłü º

¸ÜˇÒ í ð øÔˇÖ Œ å ðܸڨ Ø ð˛ÙØÑ ÛÜ˚Ø٠ܨÑÉ ÙÔÜÖˇ˛˚Ô˚ Ôˇ ÉØÚÕˇÔÚÜÑ ˝¸˛ÚØ˚˚ Ø¸Üˇ˚ÜÚÉÔ˛ˇ˚ ˛ÉÕØ ôˇ˚ÉÔɨÉØ ˛ ðØÜ˚¨¸Ø—ØˇÉ ÜˇÙ œ˛ˇÉ¸˛Ñ

¸ÜˇÒ í ð øÔˇÖ å Œ¨¸˙ؘ ˛ ¸˛Û¨˚É ¸Ø˚ÔÙ¨ÜÑ ÖØˇØ¸ÜÉÔ˛ˇ ÜˇÙ Ø˙ÜѨÜÉÔ˛ˇ —ØÉÕ˛Ù˚ Ôˇ ˛Û˚ظ˙ظ ÛÜ˚ØÙܨÑÉ ÙØÉØÚÉÔ˛ˇ ˚˜˚ÉØ—˚ 󲨸ˇÜÑ ˛ í¸˛ÚØ˚˚ œ˛ˇÉ¸˛Ñ

öظÉÑظ ó ó ܨÑÉ øØÉØÚÉÔ˛ˇ ÜˇÙ øÔÜÖˇ˛˚Ô˚ Ôˇ łˇÖÔˇØØ¸ÔˇÖ Œ˜˚ÉØ—˚ ïØ˘ ä˛¸Ò ðܸÚØÑ øØÒÒظ

ıܘÒÔˇ Œ ïب¸ÜÑ ïØɢ˛¸Ò˚ o ü œ˛—˝¸ØÕØˇ˚Ô˙Ø ˛¨ˇÙÜÉÔ˛ˇ í¸ØˇÉÔÚØ ıÜÑÑ

ô˚ظ—ܡˇ º ðØÚÕÜɸ˛ˇÔÚ ˚˜˚ÉØ—˚ Ú˛ˇÚØ˝É˚ ÜˇÙ Ü˝˝ÑÔÚÜÉÔ˛ˇ˚ Ø¸Üˇ˚ÜÚÉÔ˛ˇ˚ ˛ ÉÕØ ôˇ˚ÉÔɨÉØ ˛ ðØÜ˚¨¸Ø—ØˇÉ ÜˇÙ œ˛ˇÉ¸˛Ñ

ܨÑÉ ÙÔÜÖˇ˛˚Ô˚ ˚˜˚ÉØ—˚ Ø¸Üˇ˚ÜÚÉÔ˛ˇ˚ ˛ ÉÕØ ôˇ˚ÉÔɨÉØ ˛ ðØÜ˚¨¸Ø—ØˇÉ ÜˇÙ œ˛ˇÉ¸˛Ñ

æÔ æ ŒÕÜÕ Œ ŒÉ¸¨Úɨ¸ØÙ ¸Ø˚ÔÙ¨ÜÑ ˙ØÚɲ¸ ÛÜ˚ØÙ Ü˝˝¸˛ÜÚÕ É˛ ˚Øˇ˚˛¸ ܨÑÉ ÙØÉØÚÉÔ˛ˇ ÜˇÙ Ô˚˛ÑÜÉÔ˛ˇó˛¨¸ˇÜÑ ˛ í¸˛ÚØ˚˚ œ˛ˇÉ¸˛Ñ

æ˛˛ˇØ˜ œ ö íÜÉÉظˇ ºØÚ˛ÖˇÔÉÔ˛ˇ Ł˚ÔˇÖ ïب¸ÜÑ ïØɢ˛¸Ò˚

íܸÔ˚ÔˇÔ Ø íÕ˜˚ÔÚÜÑј ÜÚÚ¨¸ÜÉØ ˇ˛ˇÑÔˇØܸ —˛ÙØÑ˚ ˛¸ ܨÑɘ ÙØÉØÚÉÔ˛ˇ ÜˇÙ ÙÔÜÖˇ˛˚Ô˚ ÉÕØ ÚÜ˚Ø ˛ Ü ˝˛˘Ø¸˝ÑÜˇÉ ó˛¨¸ˇÜÑ ˛ í¸˛ÚØ˚˚ œ˛ˇÉ¸˛Ñ

íÜÉܡ ò íܸÔ˚ÔˇÔ ØÚÜ˚Ø ˛ Ü ¸ØÜÑ ˚¨Öܸ Ø˙Ü˝˛¸ÜÉÔ˛ˇ ˝¸˛ÚØ˚˚ 󲨸ˇÜÑ ˛ í¸˛ÚØ˚˚ œ˛ˇÉ¸˛Ñ

Øüííô œÕØ—ÔÚÜÑ ºØÚ˛˙ظ˜ Ôˇ ÉÕØ üÑÒÜÑÔˇØ í¨Ñ˝ÔˇÖ í¸˛ÚØ˚˚Ø˚ ØÜ˝˝Ô í¸Ø˚˚

ØÔˇ˛˚ º Øظ¸Ü ð œ øØÉØÚ ˛ Ø ÙÔÜÖˇ ˚ÉÔÚ˛ ÙØ ÜÑÕÜ˚ Ø— ¸˛Û ˚ —ܡԽ¨ÑÜÙ˛¸Ø˚ ˙ÔÜ ¸ØÙØ˚ ˇØ¨¸ÜÔ˚

çØˇÒÜÉÜ˚¨Û¸Ü—ܡÔܡ ç ºØˇÖÜ˚˘Ü—˜ º äÔˇ ò òÜ˙¨¸Ô Œ ï ü ¸Ø˙ÔØ˘ ˛ ˝¸˛ÚØ˚˚ ܨÑÉ ÙØÉØÚÉÔ˛ˇ ܡÙÙÔÜÖˇ˛˚Ô˚ ˝Ü¸É ô Ì¨ÜˇÉÔÉÜÉÔ˙Ø —˛ÙØÑ ÛÜ˚ØÙ —ØÉÕ˛Ù˚ œ˛—˝¨É œÕØ—ÔÚÜÑ łˇÖÔˇØØ¸ÔˇÖ

çØˇÒÜÉÜ˚¨Û¸Ü—ܡÔܡ ç ºØˇÖÜ˚˘Ü—˜ º äÔˇ ò òÜ˙¨¸Ô Œ ï ü ¸Ø˙ÔØ˘ ˛ ˝¸˛ÚØ˚˚ ܨÑÉ ÙØÉØÚÉÔ˛ˇ ܡÙÙÔÜÖˇ˛˚Ô˚ ˝Ü¸É ôô ̨ÜÑÔÉÜÉÔ˙Ø —˛ÙØÑ˚ ÜˇÙ ˚ØܸÚÕ ˚ɸÜÉØÖÔØ˚ œ˛—˝¨É œÕØ—ÔÚÜÑ łˇÖÔˇØØ¸ÔˇÖ

çØˇÒÜÉÜ˚¨Û¸Ü—ܡÔܡ ç ºØˇÖÜ˚˘Ü—˜ º äÔˇ ò òÜ˙¨¸Ô Œ ï ü ¸Ø˙ÔØ˘ ˛ ˝¸˛ÚØ˚˚ ܨÑÉ ÙØÉØÚÉÔ˛ˇ ܡÙÙÔÜÖˇ˛˚Ô˚ ˝Ü¸É ôôô ˝¸˛ÚØ˚˚ ÕÔ˚ɲ¸˜ ÛÜ˚ØÙ —ØÉÕ˛Ù˚ œ˛—˝¨É œÕØ—ÔÚÜÑ łˇÖÔˇØØ¸ÔˇÖ