Em fornos industriais, chamas instáveis podem levar a condições de operação potencialmente inseguras. Geralmente, sistemas supervisórios elaborados são utilizados para monitorar os parâmetros do processo para evitar esses problemas. Para aprimorar o tempo de resposta e uniformizar decisões de operadores humanos, as tendências de pesquisas atuais são realizadas com o intuito de identificar previamente comportamentos anômalos das chamas e atuar sem interferência humana para manter a chama em determinados níveis pré-estabelecidos. O desempenho do controlador está diretamente ligado à acurácia do modelo do sistema. Infelizmente, devido à complexidade do processo, os modelos físicos da dinâmica da propagação da chama não são confiáveis o suficiente para aplicações em controle de sistemas. Por outro lado, caso a dinâmica seja descrita em termos de um modelo identificado, a estratégia de controle pode ser aperfeiçoada. Este trabalho propõe uma metodologia para a identificação de um modelo para a dinâmica da chama através da evolução temporal das propriedades das imagens capturadas por uma câmera CCD em um forno a gás de escala industrial. Para tanto, utilizam-se métodos de visão computacional para processar e extrair propriedades características das imagens de chama ao longo do tempo. Então, técnicas de Análise Modal Operacional, como o método no Domínio do Tempo de Ibrahim e o algoritmo do Decremento Aleatório, identificam as características modais das propriedades com o objetivo de se obter a parte determinística do modelo. A parte aleatória do modelo é extraída de características estatísticas dos dados. A metodologia apresentada é utilizada para modelar sete condições de combustão diferentes e os dados estimados pelo modelo são comparados com dados experimentais não utilizados no processo de identificação. As respostas em frequência comparadas mostram em média uma forte correlação entre os dados estimados e experimentais, além de mostrarem um desvio espectral aceitável para os objetivos do modelo, o que valida o método de modelagem. Por fim, é proposta uma forma de unificação dos sete modelos identificados em um, o que poderia viabilizar sua aplicação num suposto projeto de controle.

In industrial furnaces, unstable flames can lead to potentially unsafe operating conditions. Elaborate supervisory systems are often used to monitor process parameters to avoid these problems. In order to improve response time and to standardize human operator decisions, current research trends are conducted to identify anomalous flame behavior in advance and to act without human interference to maintain the flame at certain preestablished levels. Controller performance is directly related to system model accuracy. Unfortunately, due to the complexity of the process, physical models of flame propagation dynamics are not reliable enough for control system applications. On the other hand, if the dynamics are described in terms of an identified model, the control strategy can be improved. This work proposes a methodology for the identification of a model for the flame dynamics through image features evolution in time captured by a CCD camera in an industrial scale gas furnace. For this purpose, computer vision methods are used to process and extract characteristic features of flame images over time. Then, Modal Operational Analysis techniques, such as the Ibrahim Time Domain method and the Random Decrement algorithm, identify the modal characteristics of the features in order to obtain the deterministic part of the model. The random part of the model is extracted from statistical characteristics of the data. The methodology presented is used to model seven different combustion conditions and the estimated data are compared with experimental data not used in the identification process. Compared frequency responses show on average a strong correlation between estimated and experimental data, and show an acceptable spectral deviation for the needs of the model, which validates the modelling method. Finally, it is proposed a way for unifying the seven identified models into one, which could enable its application in a supposed control design.