Welcome to Scribd. Sign in or start your free trial to enjoy unlimited e-books, audiobooks & documents.Find out more
Download
Standard view
Full view
of .
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Artigo_IA_2011

Artigo_IA_2011

Ratings: (0)|Views: 9|Likes:
Published by jpvieira66
Fault Dectrion using a simple Neural Network - Final class paper
Fault Dectrion using a simple Neural Network - Final class paper

More info:

Published by: jpvieira66 on Jun 18, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/18/2012

pdf

text

original

 
Inteligência Artificial em Controle e Automação EE-214-2011/2 1
REDES NEURAIS RECORRENTES APLICADAS A DETECÇÃO DE FALHASEM SENSORES
João Paulo Vieira
I
NSTITUTO
T
ECNOLÓGICO DE
A
ERONÁUTICA
 – 
 
ITA
 
D
EPTO DE
S
ISTEMAS E
C
ONTROLE
 
P
RAÇA
M
ARECHAL
E
DUARDO
G
OMES
,
 
50
 
 – 
 
V
ILA DAS
A
CÁCIAS
CEP
 
12228-900
 
S
ÃO
J
OSÉ DOS
C
AMPOS
,
 
SP,
 
B
RASIL
 
Resumo:
Este trabalho descreve um sistema dedetecção de falhas em sensores, utilizando aanálise dos resíduos de predição realizada porredes neurais recorrentes. Um conjunto de dadosde um sistema de aquecimento é utilizado paratreinamento da rede neural e avaliação dosistema de detecção. Falhas típicas em sensorescomo problemas no circuito de condicionamento,curto-circuito e deriva de offset são simuladas.
Palavras Chaves:
detecção de falhas, modelosnarx neurais, redes neurais artificiais.
1 INTRODUÇÃO
A necessidade dos processos atenderemrequisitos de qualidade, segurança e ambientaistêm levado a constantes avanços tecnológicos.Associado a estes avanços, há odesenvolvimento de sistemas com um númerocada vez maior de subsistemas. Estes sistemaspossuem além dos requisitos de desempenho,requisitos de segurança e confiabilidade.Os sub-sistemas estão sujeitos a falhasindividuais, podendo levar o sistema a uma falhatotal, representando assim, riscos de perdaseconômicas e humanas. Nesse contexto, ossistemas de Detecção e Identificação de Falhas(FDI
 –
 
ault 
etection and 
solation 
) (Blanke etal., 1997) surgem com o objetivo de prover umarápida detecção e isolaçào da falha. Desta forma,estando o processo operando em uma regiãocontrolável após a falha, procedimentos dereconfiguração do sistema ou controlador podemevitar a progressão dos eventos anormais,reduzindo eventuais perdas.Entre as potenciais falhas nos sistemasestão falhas nos sensores, que demandam umarápida detecção uma vez que os sensoresprovêem sinal de realimentação para o sistemade controle, e uma falha em tais elementos podelevar a ações de controle incorretas e à falha dosistema como um todo. As técnicasconvencionais são baseadas em sistemas comredundância física, porém estas estãoassociadas a aumento de custos. Técnicasalternativas à redundância física são baseadasem modelos matemáticos do sistema, o que namaioria das vezes não é conhecido a priori.Técnicas baseadas somente em dados deentrada e saída mostraram-se extremamenteúteis nesses casos. A detecção de falhasutilizando redes neurais é tratada em (Pinto et.al., 2005), (Hines et. al., 2000) e (Medeiros, J. P.et. al., 2008). Nesse trabalho é utilizada umaestrutura de rede neural recorrente paraestimação da saída com informações passadasde entrada e saída. Comparam-se as prediçõesrealizadas pela rede, com o sinal de saída real dosistema a cada instante de amostragem. Adiferença entre saída estimada e saída real éutilizada para detecção de falha no sensor. Ametodologia é aplicada a um sensor detemperatura de um processo térmico real.O artigo trata de aspectos relacionados àidentificação e validação do modelo neural,utilização de resíduos de predição para detecçãode falhas e aplicação da metodologia a dadosreais de um processo térmico.
2 PREDIÇÃO UTILIZANDO REDES NEURAIS
Redes neurais são utilizadas amplamenteem identificação de sistemas estáticos, comoreconhecimento de padrões e ajuste de funçõesnão lineares. Em (Narenda e Mukhopadhyay,1990) foi proposta a utilização de redes neuraispara identificação de sistemas, dada suacapacidade de generalização e pelo fato deserem aproximadores universais. As redes comrecorrência externa descritas em (Menezes eBarreto, 1997) apresentam uma estrutura que
 
Inteligência Artificial em Controle e Automação EE-214-2011/2 2
permite sua utilização em identificação desistemas. Estas redes, consistem perceptrons demúltiplas camadas estáticas, em que as entradasda rede são valores passados de entrada esaída. Os modelos obtidos por essa estrutura sãodenominados narx neurais, dado que o modeloobtido tem a estrutura

 
 
  
1,
 
  
 
+1
 
 
 ) 
,sendo
uma função não linear,
e
,saída e entrada respectivamente,
e
osatrasos associados,
o atraso de tempo dosistema e

incertezas e ruídos.A estrutura de rede utilizada no trabalho émostrada na figura 1. O modelo possui umaentrada e uma saída e os respectivos operadoresde atraso na entrada, que formam um janeladeslizante dos dados passados de entrada esaída.
Figura 1
: Estrutura do modelo narx neural.
3 DETECÇÃO DE FALHAS EM SENSORES
Detectar falhas em sensores é indicar queo mesmo apresenta mal funcionamento, ou seja,a saída que o sensor apresenta não estárelacionada de forma correta com a variável físicade interesse, a qual está sendo medida. Entre osdiversos tipos de falhas apresentadas peloselementos sensores/ transmissores pode-se citarcomo exemplo: quebra de conexão em umtermopar, placa de orifício com bloqueio total,curto-circuito no circuito de condicionamento desinal, etc. Essas falhas, mesmo em sensoresdiferentes apresentam padrões similares nasaída, assim, podem ser classificadas pelopadrão do sinal de saída como:
Valor próximo a zero: o sensor apresentaapenas um valor constante e próximo azero em decorrência de quebra de cabosou de queima de componentes eletrônicosno circuito de condicionamento de sinal;
Valor de fundo de escala: sensorapresenta valor constante próximo aovalor de fundo de escada do instrumento.Essa falha pode ser decorrente porexemplo, de curto-circuito no cirucito decondicionamento;
 
Deriva de offset: Sinal com offsetcrescente ou decrescente adicionado àsaída do sensor. Esse tipo de falha podeser ocasionada por envelhecimento decomponentes eletrônicos.
 
Para detecção da falha no sensor foiutilizado o erro de predição um passo a frente, ouseja, os resíduos da predição realizada pelomodelo narx neural. Os resíduos são dados por:
 sendo
a estimação feita pela rede noinstante
para o instante
e

a saída dodo sensor. A figura 2 mostra o diagrama funcionaldo sistema de detecção de falhas implementado.
Figura 2:
Diagrama funcional do sistema dedetecção de falha.
4 IMPLEMENTAÇÃO E RESULTADOS
Os dados utilizados para implementação,são de um sistema de aquecimento comelemento sensor do tipo termopar com circuito decondicionamento de sinal, os dados estãodisponíveis em (MACSIN, 2011). Os dadosforam amostrados com
. Metade dosdados foram utilizados para identificação emetade para validação.Para o treinamento da rede é utilizado umconjunto de dados de entrada e saída da plantaoperando normalmente, sem ocorrência de falha.A figura 3 mostra os dados de identificaçãoutilizados.Para treinamento da rede foi utilizado o
Neural Network Based System Identification TOOLBOX 
(Nørgaard, M. 2000).
 
O toolboxpermite a determinação da estrutura da rede,treinamento e validação. A determinação daestrutura é baseada no trabalho de (Nørgaard,et. al., (2000)). Neste trabalho, a rede é treinada
 
Inteligência Artificial em Controle e Automação EE-214-2011/2 3
de forma a realizar predicões um passo a frente.A estrutura da rede treinada foi:
Rede Multilayer Perceptron com 1camada escondida;
Função de ativação dos neurônios dacamanda escondia:
tansig(x); 
 
Função de ativação do neurônio de saída:linear;
Máximo atraso da variável de entrada
e de saída
.
Figura 3:
Dados de identifação utilizados.A validação do modelo narx neural obtidofoi feita pela análise dos erros de predição umpasso a frente e pela análise estatística dosresíduos de identificação. A validação estatísticaconsistiu em verificar a autocorrelação dosresíduos e a correlação cruzada com a entrada

, de forma a verificar a existência dedinâmicas não modeladas pela rede. A figura 4mostra o resultado da predição um passo a frentee os resíduos de identificação. A figura 5 mostraa avaliação estatística dos resíduos. Percebe-seque a rede modelou corretamente a dinâmica dosistema, sem incorporar informações indesejadascomo a de ruído existente nos dados, fato essecomprovado pelo valor próximo a zero daautocorrelação dos resíduos.O erro médio quadrático de predição foi

 

= 0,017.Uma vez obtido o modelo e o mesmotendo sido validado, a análise dos resíduos foirealizada de forma a verificar sua eficácia paraindicação de falha nos sensores. Simulou-se asseguintes falhas, modificando-se diretamente osdados:
 
 
:
Inserida falha comsaída do sensor assumindo valor próximoa zero de forma abrupta;
 
 
 
:
Falha com saída dosensor assumindo valor de fundo deescala de forma abrupta;
 
 
 
: Deriva do offset dosensor com taxa de 0,04 /Instante deamostragem.
Figura 4:
Predição um passo a frente e resíduosde predição.
Figura 5:
Análise estatística dos resíduos deidentificação.A figura 6 mostra os resultados dosistema simulado com a inclusão das falhas nosensor. Os resíduos da predição um passo afrente são mostrados na figura 7. Pode-seobservar que nos instantes de ocorrência defalha, tem-se um aumento do erro de prediçãoem todos os casos de falhas inseridas. Paradiagnóstico da falha pela análise do resíduo foiestabelecido um
 
threshold de 0,3. Assim, nosinstantes de ocorrência das falhas, os resíduosapresentam valores maiores que o limiarestabelecido, sendo indicado na saída do blocode diagnóstico o instante da ocorrencia. A figura8 mostra a saída do bloco de diagnóstico, com aindicação das falhas. Para a falha de deriva do
offset 
, inserida a partir do instante
,somente a partir do instante
, houve sua
10002000300040005000600070000.20.40.60.81T (s)
  u   (   k   )
10002000300040005000600070000.20.40.6T (s)
  y   (   k   )
010020030040050060070000.51time (samples)Output (solid) and one-step ahead prediction (dashed)0100200300400500600700-0.04-0.0200.020.04Prediction error (y-yhat)time (samples)
0510152025-0.500.51lagAuto-correlation function of prediction error-25-20-15-10-50510152025-0.1-0.0500.050.1lagCross-correlation coef. of u1 and prediction error

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->