REDES NEURAIS RECORRENTES APLICADAS A DETECO DE FALHAS EM SENSORES

Joo Paulo Vieira

INSTITUTO TECNOLGICO DE AERONUTICA ITA DEPTO DE SISTEMAS E CONTROLE PRAA M ARECHAL EDUARDO GOMES, 50 VILA DAS ACCIAS CEP 12228-900 SO J OS DOS CAMPOS, SP, B RASIL

Resumo: Este trabalho descreve um sistema de deteco de falhas em sensores, utilizando a anlise dos resduos de predio realizada por redes neurais recorrentes. Um conjunto de dados de um sistema de aquecimento utilizado para treinamento da rede neural e avaliao do sistema de deteco. Falhas tpicas em sensores como problemas no circuito de condicionamento, curto-circuito e deriva de offset so simuladas. Palavras Chaves: deteco de falhas, modelos narx neurais, redes neurais artificiais. 1 INTRODUO

A necessidade dos processos atenderem requisitos de qualidade, segurana e ambientais tm levado a constantes avanos tecnolgicos. Associado a estes avanos, h o desenvolvimento de sistemas com um nmero cada vez maior de subsistemas. Estes sistemas possuem alm dos requisitos de desempenho, requisitos de segurana e confiabilidade. Os sub-sistemas esto sujeitos a falhas individuais, podendo levar o sistema a uma falha total, representando assim, riscos de perdas econmicas e humanas. Nesse contexto, os sistemas de Deteco e Identificao de Falhas (FDI Fault Detection and Isolation) (Blanke et al., 1997) surgem com o objetivo de prover uma rpida deteco e isolao da falha. Desta forma, estando o processo operando em uma regio controlvel aps a falha, procedimentos de reconfigurao do sistema ou controlador podem evitar a progresso dos eventos anormais, reduzindo eventuais perdas. Entre as potenciais falhas nos sistemas esto falhas nos sensores, que demandam uma rpida deteco uma vez que os sensores provem sinal de realimentao para o sistema

de controle, e uma falha em tais elementos pode levar a aes de controle incorretas e falha do sistema como um todo. As tcnicas convencionais so baseadas em sistemas com redundncia fsica, porm estas esto associadas a aumento de custos. Tcnicas alternativas redundncia fsica so baseadas em modelos matemticos do sistema, o que na maioria das vezes no conhecido a priori. Tcnicas baseadas somente em dados de entrada e sada mostraram-se extremamente teis nesses casos. A deteco de falhas utilizando redes neurais tratada em (Pinto et. al., 2005), (Hines et. al., 2000) e (Medeiros, J. P. et. al., 2008). Nesse trabalho utilizada uma estrutura de rede neural recorrente para estimao da sada com informaes passadas de entrada e sada. Comparam-se as predies realizadas pela rede, com o sinal de sada real do sistema a cada instante de amostragem. A diferena entre sada estimada e sada real utilizada para deteco de falha no sensor. A metodologia aplicada a um sensor de temperatura de um processo trmico real. O artigo trata de aspectos relacionados identificao e validao do modelo neural, utilizao de resduos de predio para deteco de falhas e aplicao da metodologia a dados reais de um processo trmico. 2 PREDIO UTILIZANDO REDES NEURAIS Redes neurais so utilizadas amplamente em identificao de sistemas estticos, como reconhecimento de padres e ajuste de funes no lineares. Em (Narenda e Mukhopadhyay, 1990) foi proposta a utilizao de redes neurais para identificao de sistemas, dada sua capacidade de generalizao e pelo fato de serem aproximadores universais. As redes com recorrncia externa descritas em (Menezes e Barreto, 1997) apresentam uma estrutura que
Inteligncia Artificial em Controle e Automao EE-214-2011/2 1

permite sua utilizao em identificao de sistemas. Estas redes, consistem perceptrons de mltiplas camadas estticas, em que as entradas da rede so valores passados de entrada e sada. Os modelos obtidos por essa estrutura so denominados narx neurais, dado que o modelo obtido tem a estrutura 1,

Valor de fundo de escala: sensor apresenta valor constante prximo ao valor de fundo de escada do instrumento. Essa falha pode ser decorrente por exemplo, de curto-circuito no cirucito de condicionamento; Deriva de offset: Sinal com offset crescente ou decrescente adicionado sada do sensor. Esse tipo de falha pode ser ocasionada por envelhecimento de componentes eletrnicos.

+1 + ( ),

sendo uma funo no linear, e , sada e entrada respectivamente, e os atrasos associados, o atraso de tempo do sistema e incertezas e rudos. A estrutura de rede utilizada no trabalho mostrada na figura 1. O modelo possui uma entrada e uma sada e os respectivos operadores de atraso na entrada, que formam um janela deslizante dos dados passados de entrada e sada.

Para deteco da falha no sensor foi utilizado o erro de predio um passo a frente, ou seja, os resduos da predio realizada pelo modelo narx neural. Os resduos so dados por:

sendo a estimao feita pela rede no instante para o instante e a sada do do sensor. A figura 2 mostra o diagrama funcional do sistema de deteco de falhas implementado.

Figura 1: Estrutura do modelo narx neural. 3 DETECO DE FALHAS EM SENSORES 4

Figura 2: Diagrama funcional do sistema de deteco de falha. IMPLEMENTAO E RESULTADOS

Detectar falhas em sensores indicar que o mesmo apresenta mal funcionamento, ou seja, a sada que o sensor apresenta no est relacionada de forma correta com a varivel fsica de interesse, a qual est sendo medida. Entre os diversos tipos de falhas apresentadas pelos elementos sensores/ transmissores pode-se citar como exemplo: quebra de conexo em um termopar, placa de orifcio com bloqueio total, curto-circuito no circuito de condicionamento de sinal, etc. Essas falhas, mesmo em sensores diferentes apresentam padres similares na sada, assim, podem ser classificadas pelo padro do sinal de sada como: Valor prximo a zero: o sensor apresenta apenas um valor constante e prximo a zero em decorrncia de quebra de cabos ou de queima de componentes eletrnicos no circuito de condicionamento de sinal;

Os dados utilizados para implementao, so de um sistema de aquecimento com elemento sensor do tipo termopar com circuito de condicionamento de sinal, os dados esto disponveis em (MACSIN, 2011). Os dados foram amostrados com . Metade dos dados foram utilizados para identificao e metade para validao. Para o treinamento da rede utilizado um conjunto de dados de entrada e sada da planta operando normalmente, sem ocorrncia de falha. A figura 3 mostra os dados de identificao utilizados. Para treinamento da rede foi utilizado o Neural Network Based System Identification TOOLBOX (Nrgaard, M. 2000). O toolbox permite a determinao da estrutura da rede, treinamento e validao. A determinao da estrutura baseada no trabalho de (Nrgaard, et. al., (2000)). Neste trabalho, a rede treinada
Inteligncia Artificial em Controle e Automao EE-214-2011/2 2

de forma a realizar predices um passo a frente. A estrutura da rede treinada foi: Rede Multilayer Perceptron camada escondida; com 1

: Falha com sada do sensor assumindo valor de fundo de escala de forma abrupta; : Deriva do offset do sensor com taxa de 0,04 /Instante de amostragem.
Output (solid) and one-step ahead prediction (dashed) 1

Funo de ativao dos neurnios da camanda escondia: tansig(x); Funo de ativao do neurnio de sada: linear; Mximo atraso da varivel de entrada e de sada .
1

0.5

100

200

0.8

300 400 time (samples) Prediction error (y-yhat)

500

600

700

0.04

u(k)

0.6 0.4 0.2 1000 2000 3000 4000 T (s) 5000 6000 7000

0.02 0 -0.02 -0.04

100

200

300 400 time (samples)

500

600

700

0.6 0.4 0.2

Auto-correlation function of prediction error

Figura 4: Predio um passo a frente e resduos de predio.

1000 2000 3000 4000 T (s) 5000 6000 7000
1

y(k)

0.5

Figura 3: Dados de identifao utilizados.

0

A validao do modelo narx neural obtido foi feita pela anlise dos erros de predio um passo a frente e pela anlise estatstica dos resduos de identificao. A validao estatstica consistiu em verificar a autocorrelao dos resduos e a correlao cruzada com a entrada , de forma a verificar a existncia de dinmicas no modeladas pela rede. A figura 4 mostra o resultado da predio um passo a frente e os resduos de identificao. A figura 5 mostra a avaliao estatstica dos resduos. Percebe-se que a rede modelou corretamente a dinmica do sistema, sem incorporar informaes indesejadas como a de rudo existente nos dados, fato esse comprovado pelo valor prximo a zero da autocorrelao dos resduos. O erro mdio quadrtico de predio foi = 0,017. Uma vez obtido o modelo e o mesmo tendo sido validado, a anlise dos resduos foi realizada de forma a verificar sua eficcia para indicao de falha nos sensores. Simulou-se as seguintes falhas, modificando-se diretamente os dados:

-0.5

15 20 lag Cross-correlation coef. of u1 and prediction error

10

25

0.1 0.05 0 -0.05 -0.1 -25 -20 -15 -10 -5 0 lag 5 10 15 20 25

Figura 5: Anlise estatstica dos resduos de identificao. A figura 6 mostra os resultados do sistema simulado com a incluso das falhas no sensor. Os resduos da predio um passo a frente so mostrados na figura 7. Pode-se observar que nos instantes de ocorrncia de falha, tem-se um aumento do erro de predio em todos os casos de falhas inseridas. Para diagnstico da falha pela anlise do resduo foi estabelecido um threshold de 0,3. Assim, nos instantes de ocorrncia das falhas, os resduos apresentam valores maiores que o limiar estabelecido, sendo indicado na sada do bloco de diagnstico o instante da ocorrencia. A figura 8 mostra a sada do bloco de diagnstico, com a indicao das falhas. Para a falha de deriva do offset, inserida a partir do instante , somente a partir do instante , houve sua
Inteligncia Artificial em Controle e Automao EE-214-2011/2 3

: Inserida falha com sada do sensor assumindo valor prximo a zero de forma abrupta;

deteco, fato esse devido sua pequena amplitude inicial. Para avaliar a robustez do algoritmo de deteco de falhas a ruidos, foi inserido rudo branco com variancia nos dados. Para este caso, os resultados foram semelhantes ao caso anterior, em que tinha-se apenas o rudo inicialmente contido nos dados. As figura 9 e 10 mostram os resultados obtidos. Para nveis de rudo com maior amplitude, alteraes no nvel de threshold faz-se necessrio para evitar alarmes espurios.
Output (solid) and one-step ahead prediction (dashed) 2.5

Output (solid) and one-step ahead prediction (dashed) 3 2 1 0 -1

100

200

300 400 time (samples) Prediction error (y-yhat)

500

600

700

2 1 0 -1 -2

100

200

300 400 time (samples)

500

600

700

1.5

Figura 9: Predio um passo a frente e resduos para rudo aditivo de varincia .

Fault in sensor

0.5

-0.5

0.8

100

200

300 400 time (samples)

500

600

700

Fault

-1 0

0.6

Figura 6: Simulao do sistema com falha e predio do modelo narx neural.

Prediction error (y-yhat) 1.5

0.4

0.2

100

200

300 400 Faults time (samples)

500

600

700

Figura 10: Sada do bloco de diagnstico.

0.5

CONCLUSO

-0.5

-1

-1.5

100

200

300 400 time (samples)

500

600

Figura 7: Resduos de predio 1 passo a frente.

Fault in sensor 1.2 Falha valor fundo de escala Falha Deriva

0.8

Falha Circuito Aberto

0.6

0.4

A utilizao de redes neurais recorrentes para modelagem de sistemas dinmicos, apresentou resultados satisfatrios, resultando em pequenos erros de predio. A utilizao dos erros de predio na deteco de falhas em sensores, como implementado no trabalho, apresenta a vantagem de no ser necessrio o conhecimento a priori do modelo matemtico do sistema. Esta metodologia torna-se assim atrativa, uma vez que na maioria dos casos dispe-se somente dos dados de entrada e saida. A metodologia desenvolvida no trabalho detectou corretamente as falhas mesmo inserindo-se rudo nos dados. Como alternativa para aumento da eficcia do sistema de deteco, poderia-se utilizar os resduos da predio k-passos a frente, o que acredita-se levar a melhores resultados para a deteco de falhas incipientes.

Fault

0.2

REFERNCIAS BIBLIOGRFICAS
0 0 100 200 300 400 Faults time (samples) 500 600 700

Figura 8: Sada do bloco de diagnstico.

[1] Blanke, M., Izadi-Zamanabadi, R., Bogh, S. A. and Lunau, C. P., Fault-tolerant Control Systems - A Holistic View, 5 (5): 693 702, 1997.
Inteligncia Artificial em Controle e Automao EE-214-2011/2 4

[2] Hines, J. W., Gribok, A. V., Attieh, I. and Uhrig, R. E. (2000). Improved methods for on-line sensor calibration verification, VIII International Conference on Nuclear Engineering. [3] MACSIN (2011), http://www.cpdee.ufmg.br/~MACSIN, Acesso em 05 de Dezembro de 2011. [4] Medeiros, J. P., Melo, J. D., Neto, A. D. D., Machado, V. P. (2008) Algoritmo de Predio Baseado em Redes Neurais Recorrentes Aplicado ao Monitoramento de Medidas em Sensores, XVII Congresso Brasileiro de Automtica, Juiz de Fora (MG). [5] Menezes, J. M. P. and Barreto, G. A. (2006). A new look at nonlinear time series prediction with narx recurrent neural network, Proceedings of SBRN 06, IEEE. [6] Narenda, K. S. e Mukhopadhyay, S. (1990). Identification and Control of Dynamic Systems Using Neural Networks. IEEE Transactions Neural Networks ,1: 4-27. [7] Nrgaard, M., Ravn, O.,Poulsen, N. K., and Hansen, L. K. (2000): Neural etworks for Modelling and Control of Dynamic Systems, Springer- Verlag, London, UK, 2000. [8] Nrgaard, M. (2000). Neural Network Based System Identification TOOLBOX. Technical Report. Technical University of Denmark. [9] Pinto, J. O. P., Pinto, A. M. A. C., Tatibana, G. S., Sanches, R. O., Carrasco, B. N., Flora, N. and Hines, J. W. (2005). Uma nova estratgia de modelagem para monitoramento de instrumentos e verificao de calibrao usando redes neurais artificiais, III Congresso Brasileiro de P&D em Petrleo e Gs.

Inteligncia Artificial em Controle e Automao EE-214-2011/2