ISSN 3086-2191
3º Seminário de Economia Circular e Sustentabilidade — Vol. 3 , num. 3 (2026)
Título
Autoria
DOI
Downloads
Resumo
A operação de baterias de fornos de coque enfrenta desafios críticos relacionados ao monitoramento contínuo de emissões visíveis, principalmente devido à severidade do ambiente operacional, à dependência de inspeções manuais, à dificuldade de rastreamento em tempo real e à limitação na identificação rápida das causas operacionais associadas às emissões. Esses fatores impactam diretamente a estabilidade operacional, a eficiência do processo e o desempenho ambiental da planta. Para solucionar esses problemas, o CokEyes® utiliza uma arquitetura orientada a eventos que integra aquisição contínua de vídeo, modelos de Inteligência Artificial, dados industriais e lógica automatizada de diagnóstico operacional. A solução emprega modelos de visão computacional para detecção de fumaça em tempo quase real, associando automaticamente cada ocorrência a regiões previamente mapeadas por bateria, forno, lado e posição vertical. A arquitetura incorpora mecanismos de de validação temporal com persistência (histerese temporal) para aumentar a robustez da detecção, filtrando eventos transitórios, reduzindo falsos alarmes e validando apenas emissões persistentes antes da geração de eventos operacionais. Após a confirmação da ocorrência, o sistema realiza enriquecimento contextual com dados de processo integrados via OPC UA, executa análise automatizada de causa raiz e, quando habilitado, aplica ações corretivas automáticas através do ajuste do setpoint de pressão do forno dentro de limites configuráveis.
Coke oven battery operations face critical challenges related to continuous visible emission monitoring due to harsh industrial environments, dependence on manual inspections, limited real-time event traceability, and difficulties in rapidly identifying the operational causes associated with emissions. These factors directly impact operational stability, process efficiency, and environmental performance. To address these challenges, CokEyes® uses an event-driven architecture that integrates continuous video acquisition, Artificial Intelligence models, industrial data, and automated operational diagnostic logic. The solution employs deep-learning-based computer vision models to detect smoke in near real time, automatically associating each occurrence with predefined regions mapped by battery, oven, side, and vertical position. The architecture incorporates temporal persistence and validation mechanisms (including temporal hysteresis) to improve detection robustness by filtering transient events, reducing false alarms, and validating only persistent emissions before generating operational events. After event confirmation, the system performs contextual enrichment through OPC UA integration, correlating operational variables, process states, pressure conditions, and instrumentation reliability to execute automated root cause analysis. When enabled, CokEyes® can also apply automatic corrective actions through furnace pressure setpoint adjustments within configurable operational limits, establishing a closed-loop detection, diagnosis, and mitigation workflow.
Palavras-chave
Coqueria, Inteligência artificial, Visão computacional, Monitoramento de emissões, Gestão ambiental
Coke oven, Artificial intelligence, Computer vision, Emission monitoring, Environmental management
Como citar
Rocha, Ana Carolina; Soares, Lis Nunes; Vicentini, Alberto.
Monitoramento inteligente de emissões visíveis em baterias de coque com feedback operacional,
p. 211-219.
In: 3º Seminário de Economia Circular e Sustentabilidade,
São Paulo, SP - Brasil,
2026.
ISSN: 3086-2191, DOI 10.5151/2594-5327-43633
