Inteligência Artificial em Controle e Automação EE-214-2011/2 1

REDES NEURAIS RECORRENTES APLICADAS A DETECÇÃO DE FALHAS
EM SENSORES
João Paulo Vieira
INSTITUTO TECNOLÓGICO DE AERONÁUTICA – ITA
DEPTO DE SISTEMAS E CONTROLE
PRAÇA MARECHAL EDUARDO GOMES, 50 – VILA DAS ACÁCIAS CEP 12228-900
SÃO JOSÉ DOS CAMPOS, SP, BRASIL


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 2

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
() [ ( ) ( ) (

)
( ) (

) ] (),
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.


Figura 1: Estrutura do modelo narx neural.

3 DETECÇÃO DE FALHAS EM SENSORES
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;
 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.
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 2: Diagrama funcional do sistema de
detecção de falha.

4 IMPLEMENTAÇÃO E RESULTADOS
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 3
de forma a realizar predicões um passo a frente.
A estrutura da rede treinada foi:
 Rede Multilayer Perceptron com 1
camada escondida;
 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

.

Figura 3: Dados de identifação utilizados.
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:
 : Inserida falha com
saída do sensor assumindo valor próximo
a zero de forma abrupta;
 : 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.

Figura 4: Predição um passo a frente e resíduos
de predição.

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
1000 2000 3000 4000 5000 6000 7000
0.2
0.4
0.6
0.8
1
T (s)
u
(
k
)
1000 2000 3000 4000 5000 6000 7000
0.2
0.4
0.6
T (s)
y
(
k
)
0 100 200 300 400 500 600 700
0
0.5
1
time (samples)
Output (solid) and one-step ahead prediction (dashed)
0 100 200 300 400 500 600 700
-0.04
-0.02
0
0.02
0.04
Prediction error (y-yhat)
time (samples)
0 5 10 15 20 25
-0.5
0
0.5
1
lag
Auto-correlation function of prediction error
-25 -20 -15 -10 -5 0 5 10 15 20 25
-0.1
-0.05
0
0.05
0.1
lag
Cross-correlation coef. of u1 and prediction error
Inteligência Artificial em Controle e Automação EE-214-2011/2 4

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.

Figura 6: Simulação do sistema com falha e
predição do modelo narx neural.


Figura 7: Resíduos de predição 1 passo a frente.

Figura 8: Saída do bloco de diagnóstico.

Figura 9: Predição um passo a frente e resíduos
para ruído aditivo de variância

.

Figura 10: Saída do bloco de diagnóstico.
5 CONCLUSÃO
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.

REFERÊNCIAS BIBLIOGRÁFICAS
[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.
0 100 200 300 400 500 600 700
-1
-0.5
0
0.5
1
1.5
2
2.5
time (samples)
Output (solid) and one-step ahead prediction (dashed)
0 100 200 300 400 500 600
-1.5
-1
-0.5
0
0.5
1
1.5
Prediction error (y-yhat)
time (samples)
0 100 200 300 400 500 600 700
0
0.2
0.4
0.6
0.8
1
1.2
Fault in sensor
Faults time (samples)
F
a
u
l
t

Falha
Deriva
Falha
Circuito Aberto
Falha valor fundo
de escala
0 100 200 300 400 500 600 700
-1
0
1
2
3
time (samples)
Output (solid) and one-step ahead prediction (dashed)
0 100 200 300 400 500 600 700
-2
-1
0
1
2
Prediction error (y-yhat)
time (samples)
0 100 200 300 400 500 600 700
0
0.2
0.4
0.6
0.8
1
Fault in sensor
Faults time (samples)
F
a
u
l
t

Inteligência Artificial em Controle e Automação EE-214-2011/2 5
[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.