REDES NEURAIS RECORRENTES APLICADAS A DETECÇÃO DE FALHAS EM SENSORES

João Paulo Vieira
INSTITUTO TECNOLÓGICO DE AERONÁUTICA – ITA DEPTO DE SISTEMAS E CONTROLE PRAÇA M ARECHAL EDUARDO GOMES, 50 – VILA DAS ACÁCIAS CEP 12228-900 SÃO J OSÉ DOS CAMPOS, SP, B RASIL

Resumo: Este trabalho descreve um sistema de detecção de falhas em sensores, utilizando a análise dos resíduos de predição realizada por redes neurais recorrentes. Um conjunto de dados de um sistema de aquecimento é utilizado para treinamento da rede neural e avaliação do sistema de detecção. Falhas típicas em sensores como problemas no circuito de condicionamento, curto-circuito e deriva de offset são simuladas. Palavras Chaves: detecção de falhas, modelos narx neurais, redes neurais artificiais. 1 INTRODUÇÃO

A necessidade dos processos atenderem requisitos de qualidade, segurança e ambientais têm levado a constantes avanços tecnológicos. Associado a estes avanços, há o desenvolvimento de sistemas com um número cada vez maior de subsistemas. Estes sistemas possuem além dos requisitos de desempenho, requisitos de segurança e confiabilidade. Os sub-sistemas estão sujeitos a falhas individuais, podendo levar o sistema a uma falha total, representando assim, riscos de perdas econômicas e humanas. Nesse contexto, os sistemas de Detecção e Identificação de Falhas (FDI – Fault Detection and Isolation) (Blanke et al., 1997) surgem com o objetivo de prover uma rápida detecção e isolaçào da falha. Desta forma, estando o processo operando em uma região controlável após a falha, procedimentos de reconfiguração do sistema ou controlador podem evitar a progressão dos eventos anormais, reduzindo eventuais perdas. Entre as potenciais falhas nos sistemas estão falhas nos sensores, que demandam uma rápida detecção uma vez que os sensores provêem sinal de realimentação para o sistema

de controle, e uma falha em tais elementos pode levar a ações de controle incorretas e à falha do sistema como um todo. As técnicas convencionais são baseadas em sistemas com redundância física, porém estas estão associadas a aumento de custos. Técnicas alternativas à redundância física são baseadas em modelos matemáticos do sistema, o que na maioria das vezes não é conhecido a priori. Técnicas baseadas somente em dados de entrada e saída mostraram-se extremamente úteis nesses casos. A detecção de falhas utilizando redes neurais é tratada em (Pinto et. al., 2005), (Hines et. al., 2000) e (Medeiros, J. P. et. al., 2008). Nesse trabalho é utilizada uma estrutura de rede neural recorrente para estimação da saída com informações passadas de entrada e saída. Comparam-se as predições realizadas pela rede, com o sinal de saída real do sistema a cada instante de amostragem. A diferença entre saída estimada e saída real é utilizada para detecção de falha no sensor. A metodologia é aplicada a um sensor de temperatura de um processo térmico real. O artigo trata de aspectos relacionados à identificação e validação do modelo neural, utilização de resíduos de predição para detecção de falhas e aplicação da metodologia a dados reais de um processo térmico. 2 PREDIÇÃO UTILIZANDO REDES NEURAIS Redes neurais são utilizadas amplamente em identificação de sistemas estáticos, como reconhecimento de padrões e ajuste de funções não lineares. Em (Narenda e Mukhopadhyay, 1990) foi proposta a utilização de redes neurais para identificação de sistemas, dada sua capacidade de generalização e pelo fato de serem aproximadores universais. As redes com recorrência externa descritas em (Menezes e Barreto, 1997) apresentam uma estrutura que
Inteligência Artificial em Controle e Automação EE-214-2011/2 1

permite sua utilização em identificação de sistemas. Estas redes, consistem perceptrons de múltiplas camadas estáticas, em que as entradas da rede são valores passados de entrada e saída. Os modelos obtidos por essa estrutura são denominados narx neurais, dado que o modelo obtido tem a estrutura − −1, − −

Valor de fundo de escala: sensor apresenta valor constante próximo 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 à saída do sensor. Esse tipo de falha pode ser ocasionada por envelhecimento de componentes eletrônicos.

+1 + ( ),

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

Para detecção da falha no sensor foi utilizado o erro de predição um passo a frente, ou seja, os resíduos da predição realizada pelo modelo narx neural. Os resíduos são dados por:

sendo a estimação feita pela rede no instante para o instante e a saída do do sensor. A figura 2 mostra o diagrama funcional do sistema de detecção de falhas implementado.

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

Figura 2: Diagrama funcional do sistema de detecção de falha. IMPLEMENTAÇÃO E RESULTADOS

Detectar falhas em sensores é indicar que o mesmo apresenta mal funcionamento, ou seja, a saída que o sensor apresenta não está relacionada de forma correta com a variável física de interesse, a qual está sendo medida. Entre os diversos tipos de falhas apresentadas pelos elementos sensores/ transmissores pode-se citar como exemplo: quebra de conexão em um termopar, placa de orifício com bloqueio total, curto-circuito no circuito de condicionamento de sinal, etc. Essas falhas, mesmo em sensores diferentes apresentam padrões similares na saída, assim, podem ser classificadas pelo padrão do sinal de saída como:  Valor próximo a zero: o sensor apresenta apenas um valor constante e próximo a zero em decorrência de quebra de cabos ou de queima de componentes eletrônicos no circuito de condicionamento de sinal;

Os dados utilizados para implementação, são de um sistema de aquecimento com elemento sensor do tipo termopar com circuito de condicionamento de sinal, os dados estão disponíveis em (MACSIN, 2011). Os dados foram amostrados com . Metade dos dados foram utilizados para identificação e metade para validação. Para o treinamento da rede é utilizado um conjunto de dados de entrada e saída da planta operando normalmente, sem ocorrência de falha. A figura 3 mostra os dados de identificação utilizados. Para treinamento da rede foi utilizado o Neural Network Based System Identification TOOLBOX (Nørgaard, M. 2000). O toolbox permite a determinação da estrutura da rede, treinamento e validação. A determinação da estrutura 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 2

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

: Falha com saída 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

Função de ativação dos neurônios da camanda escondia: tansig(x); Função de ativação do neurônio de saída: linear; Máximo atraso da variável de entrada e de saída .
1

0.5

0

0

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

0

100

200

300 400 time (samples)

500

600

700

0.6 0.4 0.2
Auto-correlation function of prediction error

Figura 4: Predição um passo a frente e resíduos de predição.
1000 2000 3000 4000 T (s) 5000 6000 7000
1

y(k)

0.5

Figura 3: Dados de identifação utilizados.
0

A validação do modelo narx neural obtido foi feita pela análise dos erros de predição um passo a frente e pela análise estatística dos resíduos de identificação. A validação estatística consistiu em verificar a autocorrelação dos resíduos e a correlação cruzada com a entrada , de forma a verificar a existência de dinâmicas não modeladas pela rede. A figura 4 mostra o resultado da predição um passo a frente e os resíduos de identificação. A figura 5 mostra a avaliação estatística dos resíduos. Percebe-se que a rede modelou corretamente a dinâmica do sistema, sem incorporar informações indesejadas como a de ruído existente nos dados, fato esse comprovado pelo valor próximo a zero da autocorrelação dos resíduos. O erro médio quadrático de predição foi = 0,017. Uma vez obtido o modelo e o mesmo tendo sido validado, a análise dos resíduos foi realizada de forma a verificar sua eficácia para indicação de falha nos sensores. Simulou-se as seguintes falhas, modificando-se diretamente os dados:

-0.5

0

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

5

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: Análise estatística dos resíduos de identificação. A figura 6 mostra os resultados do sistema simulado com a inclusão das falhas no sensor. Os resíduos da predição um passo a frente são mostrados na figura 7. Pode-se observar que nos instantes de ocorrência de falha, tem-se um aumento do erro de predição em todos os casos de falhas inseridas. Para diagnóstico da falha pela análise do resíduo foi estabelecido um threshold de 0,3. Assim, nos instantes de ocorrência das falhas, os resíduos apresentam valores maiores que o limiar estabelecido, sendo indicado na saída do bloco de diagnóstico o instante da ocorrencia. A figura 8 mostra a saída do bloco de diagnóstico, com a indicação das falhas. Para a falha de deriva do offset, inserida a partir do instante , somente a partir do instante , houve sua
Inteligência Artificial em Controle e Automação EE-214-2011/2 3

: Inserida falha com saída do sensor assumindo valor próximo a zero de forma abrupta;

detecção, fato esse devido à sua pequena amplitude inicial. Para avaliar a robustez do algoritmo de detecção de falhas a ruidos, foi inserido ruído branco com variancia nos dados. Para este caso, os resultados foram semelhantes ao caso anterior, em que tinha-se apenas o ruído inicialmente contido nos dados. As figura 9 e 10 mostram os resultados obtidos. Para níveis de ruído com maior amplitude, alterações no nível de threshold faz-se necessário 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

0

100

200

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

500

600

700

2 1 0 -1 -2

0

100

200

300 400 time (samples)

500

600

700

2

1.5

Figura 9: Predição um passo a frente e resíduos para ruído aditivo de variância .
Fault in sensor

1

0.5

0

1

-0.5

0.8

100

200

300 400 time (samples)

500

600

700

Fault

-1 0

0.6

Figura 6: Simulação do sistema com falha e predição do modelo narx neural.
Prediction error (y-yhat) 1.5

0.4

0.2

0

0

100

200

300 400 Faults time (samples)

500

600

700

1

Figura 10: Saída do bloco de diagnóstico.

0.5

5

CONCLUSÃO

0

-0.5

-1

-1.5

0

100

200

300 400 time (samples)

500

600

Figura 7: Resíduos de predição 1 passo a frente.
Fault in sensor 1.2 Falha valor fundo de escala Falha Deriva

1

0.8

Falha Circuito Aberto

0.6

0.4

A utilização de redes neurais recorrentes para modelagem de sistemas dinâmicos, apresentou resultados satisfatórios, resultando em pequenos erros de predição. A utilização dos erros de predição na detecção de falhas em sensores, como implementado no trabalho, apresenta a vantagem de não ser necessário o conhecimento a priori do modelo matemático do sistema. Esta metodologia torna-se assim atrativa, uma vez que na maioria dos casos dispõe-se somente dos dados de entrada e saida. A metodologia desenvolvida no trabalho detectou corretamente as falhas mesmo inserindo-se ruído nos dados. Como alternativa para aumento da eficácia do sistema de detecção, poderia-se utilizar os resíduos da predição k-passos a frente, o que acredita-se levar a melhores resultados para a detecção de falhas incipientes.

Fault

0.2

REFERÊNCIAS BIBLIOGRÁFICAS
0 0 100 200 300 400 Faults time (samples) 500 600 700

Figura 8: Saída do bloco de diagnóstico.

[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.
Inteligência Artificial em Controle e Automação 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 Predição Baseado em Redes Neurais Recorrentes Aplicado ao Monitoramento de Medidas em Sensores, XVII Congresso Brasileiro de Automática, 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] Nørgaard, 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] Nørgaard, 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 estratégia de modelagem para monitoramento de instrumentos e verificação de calibração usando redes neurais artificiais, III Congresso Brasileiro de P&D em Petróleo e Gás.

Inteligência Artificial em Controle e Automação EE-214-2011/2

5

Sign up to vote on this title
UsefulNot useful