Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 RELATÓRIO DO PRIMEIRO TRABALHO: Identificação e detecção de falhas em uma planta industrial Guilherme Pereira Marchioro Bertelli, 2013079718 Ricardo Costa Antunes de Sousa, 2013010410 Tomaz Filgueira Nunes, 2013079745 Natal, 20 de março de 2013. UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO REDES NEURAIS ARTIFICIAIS 1 Guilherme Pereira Marchioro Bertelli Ricardo Costa Antunes de Sousa Tomaz Filgueira Nunes RELATÓRIO DO PRIMEIRO TRABALHO Relatório referente ao desenvolvimento do primeiro trabalho da disciplina Redes Neurais Artificiais, correspondente à parte da avaliação da 1º unidade do semestre 2014.1, dos cursos de Engenharia da Computação, Engenharia Mecatrônica e Engenharia Elétrica da Universidade Federal do Rio Grande do Norte, sob orientação do Prof. Adrião Duarte Doria. Natal, 20 de março de 2013. 2 RESUMO Neste relatório será explicado o desenvolvimento do primeiro trabalho da disciplia, que consiste na identificação e detecção de falhas de sistemas de controle de nível, inserido em um ambiente industrial Foundation Fieldbus. Para o desenvolvimento dos algoritmos e treinamento das redes neurais, foi utilizado a toolbox do MATLAB NNTool. A fundamentação teórica necessária para a resolução das questões foi ministrado na disciplina “Redes Neurais Artificiais”, pelo professor Adrião Duarte Doria, do Departamento de Engenharia de Computação e Automação, da Universidade Federal do Rio Grande do Norte. 3 LISTA DE FIGURAS Figura 1 - Neurônio biológico ....................................................................................... 5 Figura 2 - Neurônio artificial básico .............................................................................. 6 Figura 3 - Topologias de redes neurais artificiais ........................................................... 6 Figura 4 - Foundation Fieldbus ..................................................................................... 7 Figura 5 - Esquema da planta industrial ......................................................................... 9 Figura 6 - Arquitetura da rede de treinamento para identificação ................................... 9 Figura 7 - Curva de performance do treinamento para identificação ............................ 10 Figura 8 - Rede neural feita no syscon ......................................................................... 10 Figura 9 - Identificação da planta ................................................................................ 11 Figura 10 - Sistema de identificação e classificação de erros ....................................... 11 Figura 11 - Arquitetura da rede de detecção de falhas .................................................. 12 Figura 12 - Curva de performance do treinamento para detecção de falhas .................. 12 Figura 13 - Matriz de confusão da detecção de falhas .................................................. 13 Figura 14 - Simulação dos erros .................................................................................. 13 4 SUMÁRIO 1 INTRODUÇÃO ......................................................................................... 5 1.1 Redes Neurais Artificiais .............................................................. 5 1.2 Foundation Fieldbus ..................................................................... 7 2 DESENVOLVIMENTO ........................................................................... 9 2.1 Identificação da Planta .................................................................. 9 2.2 Detecção e Classificação de Erros ................................................ 11 3 CONCLUSÕES ............................................................................................. 14 4 REFERÊNCIAS BIBLIOGRÁFICAS ........................................................ 15 5 1 INTRODUÇÃO O ambiente industrial é bastante suscetível a inúmeros tipos de falhas, desde calibração de sensores a desgaste físico de motores ou falha de comunicação na rede. Essas falhas podem causar mal funcionamento na planta, fazendo com que os controladores não funcionem adequadamente. Dada esta premissa, é de extrema importância que os erros sejam detectados o quanto antes. Uma forma de fazer isso é utilizando uma rede neural treinada para detecção e classificação dos erros automaticamente, para que sejam tomadas as devidas providência o quanto antes. Para este trabalho, a identificação e detecção de falhas foi realizada em um sistema de tanques Quanser, inserido em uma rede Foundation Fieldbus. 1.1 Redes Neurais Artificiais Uma Rede Neural Artificial é uma estrutura que processa informação de forma paralela e distribuída e que consiste de unidades computacionais (as quais podem possuir uma memória local e podem executar operações locais) interconectadas por canais unidirecionais chamados de conexões. Cada unidade computacional possui uma única conexão de saída que pode ser dividida em quantas conexões laterais se fizer necessário, sendo que cada uma destas conexões transporta o mesmo sinal, o sinal de saída da unidade computacional. Este sinal de saída pode ser contínuo ou discreto. O processamento executado por cada unidade computacional pode ser definido arbitrariamente com a restrição de que ele deve ser completamente local, isto é, ele deve depender somente dos valores atuais dos sinais de entrada que chegam até a unidade computacional via as conexões e dos valores armazenados na memória local da unidade computacional. O estudo de redes neurais artificiais baseia-se no neurônio biológico, cujos componentes principais são: o corpo de neurônio (chamado soma), os dendritos e o axônio, como ilustrado na Figura 1. Figura 1 - Neurônio biológico O neurônio artificial mais utilizado é uma simplificação do modelo de comportamento do neurônio biológico, e baseia-se no esquema da Figura 2. Para emular o comportamento das sinapses, os N sinais de entrada zi são multiplicados pelos pesos correspondentes wj e somados. O resultado x desta soma é aplicado a função de ativação f(x), que tenta modelar o corpo celular na transmissão da informação. 6 Figura 2 - Neurônio artificial básico A saída y do neurônio é dada pela equação abaixo: A função de ativação pode ser uma função sigmoide, linear ou tangente sigmoide, que são funções monoticamente crescentes e com derivada definida em todos os pontos. De acordo com a topologia, uma rede neural artificial pode ser classificada como feedforward (sem realimentação local) ou feedback (com realimentação local ou recorrente) Em uma rede neural artificial tipo feedforward uma unidade envia sua saída apenas para unidades das quais ela não recebe nenhuma entrada direta ou indiretamente (via outras unidades). Em outras palavras em uma rede tipofeedforward não existem laços (loops). Em uma rede tipo feedback os laços existem. A Figura 3 mostra os tipos de redes neurais artificiais. Figura 3 - Topologias de redes neurais artificiais O processo de aprendizado para uma rede neural com camada oculta consiste em, basicamente, se definir os valores adequados dos pesos, que geralmente é feito de forma supervisionada com o algoritmo back-propagation. 7 1.2 Foundation Fieldbus O Foundation Fieldbus é um sistema da comunicação totalmente digital, em série e bidirecional que conecta equipamentos “Fieldbus” tais como sensores, atuadores e controladores. O fieldbus é uma rede local (LAN) para automação e instrumentação de controle de processos, com capacidade de distribuir o controle no campo. Ao contrário dos protocolos de rede proprietários, o Fieldbus não pertence à nenhuma empresa. A tecnologia é controlada pela Fieldbus Foundation uma organização não lucrativa que consiste em mais de 100 dos principais fornecedores e usuários de controle e instrumentação do mundo. O Foundation Fieldbus mantém muitas das características operacionais do sistema analógico 4-20 mA, tais como uma interface física padronizada da fiação, os dispositivos alimentados por um único par de fios e as opções de segurança intrínseca, mas oferece uma série de benefícios adicionais aos usuários. Figura 4 - Foundation Fieldbus Benefícios: - Interoperabilidade: com a interoperabilidade, um dispositivo Fieldbus pode ser substituído por um dispositivo similar com maior funcionalidade de um outro fornecedor na mesma rede do Fieldbus, mantendo as características originais. Isto permite aos usuários mesclar dispositivos de campo e sistemas de vários fornecedores. Dispositivos individuais Fieldbus podem também transmitir e receber a informação de multivariáveis, comunicando-se diretamente um com o outro sobre o barramento Fieldbus, permitindo que novos dispositivos sejam adicionados ao barramento sem interromper o controle. - Dados de Processo Mais Completos: com o Foundation Fieldbus, as variáveis múltiplas de cada dispositivo podem ser trazidas ao sistema de controle da planta para a análise, arquivo, análise de tendência, estudos de otimização de processo e geração de relatórios. Este acesso aos dados mais exatos e de alta resolução, permite um ajuste fino do processo para melhor operação, reduzindo o tempo ocioso da planta. Estas características permitem um maior desempenho e lucratividade mais elevada da planta. - Vista expandida do processo: dispositivos modernos Fieldbus, com comunicação poderosa microprocessada permitem que os erros de processo possam ser reconhecidos mais rapidamente e com uma maior certeza. Como conseqüência, os operadores de planta são notificados de condições anormais ou da necessidade de manutenção preventiva, e podem tomar melhores decisões sobre a produção. Os problemas que diminuem a eficiência operacional são corrigidos mais rapidamente, permitindo um 8 aumento no rendimento enquanto que o custo de matéria prima e os problemas de emissões perigosas diminuem. - Melhor Segurança Da Planta: a tecnologia Fieldbus ajuda as plantas a manter as exigências de segurança, cada vez mais restritas. Fornecendo operadores com notificação e aviso antecipados de circunstâncias perigosas pendentes e atuais, o Fieldbus permite a ação corretiva antes de uma parada não planejada. As potencialidades de diagnóstico ampliadas da planta reduzem também a necessidade do acesso freqüente às áreas perigosas, minimizando assim os riscos do pessoal no campo. - Manutenção Proativa Mais Fácil: as potencialidades ampliadas de diagnóstico dos dispositivos de campo possibilitam monitorar e registrar condições como o desgaste da válvula e entupimento do transmissor. O pessoal da planta pode executar a manutenção proativa sem esperar uma parada programada, evitando ou reduzindo assim o tempo ocioso da planta. - Redução de Custos de fiação e de Manutenção: O Foundation Fieldbus usa a fiação existente e as conexões multi-drop fornecem economias significativas nos custos de instalação. Isto inclui reduções nos custos de barreira de segurança intrínseca e de cabos, particularmente nas áreas onde a fiação está já no lugar. Redução de custo adicional pode ser conseguida com a redução do tempo necessário para a construção e partida, bem como com a simplificação da programação das funções do controle e da lógica, usando os blocos de função embutidos nos dispositivos. De acordo com estimativas atuais, há agora sistemas Foundation Fieldbus em operação em mais de 25 países. Estima-se hoje que aproximadamente 80 por cento de todas as novas instalações de sistemas de controle de planta que utilizam a tecnologia fieldbus são compatíveis com o Foundation Fieldbus. 9 2 DESENVOLVIMENTO O projeto é dividido em duas partes: fazer a identificação da planta e, em seguida, realizar a detecção e classificação dos erros. O esquema da planta industrial utilizada no trabalho pode ser vista à seguir. Além do sistema de tanque, foram utilizados os instrumentos LD302 (sensor de pressão) e FI302 (conversor do padrão Fieldbus em corrente). Figura 5 - Esquema da planta industrial 2.1 Identificação da Planta Para o processo de identificação da planta, foi utilizado o software syscon para realizar a comunicação via OPC com o servidor da planta. Inicialmente, foram gerados 450 valores aleatórios de tensão, entre 1.8 e 4.5 volts, e enviados para a planta, cada um por 25 segundos. Os níveis correspondentes foram armazenados em um vetor. As tensões e os níveis correspondentes foram utilizados como entrada da rede neural, com dois atrasos cada (para uma melhor modelagem da dinâmica da planta), caracterizando uma arquitetura NARX (Nonlinear Auto-Regressive model with eXogenous inputs). O treinamento foi realizado utilizando o algoritmo Levenberg- Marquardt backpropagation. A arquitetura da rede utilizada foi a seguinte: Figura 6 - Arquitetura da rede de treinamento para identificação O treinamento foi bem sucedido, gerando um erro convergindo para 10 -8 com 1000 iterações, como visto na Figura 7. 10 Figura 7 - Curva de performance do treinamento para identificação Os valores dos pesos obtidos no treinamento foram repassados para a rede neural montada no syscon, para a identificação da planta. O esquema da rede neural feita no syscon consta na Figura 8 Figura 8 - Rede neural feita no syscon 11 Em seguida, foram enviados, novamente, valores aleatórios de tensão para a planta para rede neural identifica-la, acompanhando as mudanças de nível. A rede treinada obteve êxito em acompanhar o comportamento da planta, como visto no gráfico da Figura 9. Figura 9 - Identificação da planta 2.2 Detecção e Classificação de Erros Para a identificação dos erros, deve-se comparar a planta com o modelo gerado pela rede neural, gerando um vetor de resíduos que será a entrada de uma nova rede. Deve-se, portanto, definir as classes de erros. O esquema do problema de identificação e classificação de erros é o mostrado na Figura 10, abaixo. Figura 10 - Sistema de identificação e classificação de erros 12 Quatro tipos de erro foram definidos: erro de calibração 1 (erro de offset), erro de calibração 2 (erro de ganho), erro de entupimento e sem erro. Para o erro de calibração 1, r = (nível + offset – saída da rede neural). Para o erro decalibração 2, r = [(nível*ganho) – saída da rede neural]. O resíduo do erro de entupimento consiste no oposto da saída da rede. Por fim, foi especificada, também, uma classe que não contém erros, para todos os outros casos, que no caso é a saída real menos a saída da rede neural. A arquitetura da rede de classificação de erros pode ser vista na Figura 11. Foi Utilizado o MLP com 2 camadas de 5 neurônios cada, e após 54 iterações, o erro convergiu para 10 -8.5 . Figura 11 - Arquitetura da rede de detecção de falhas A curva de performance do treinamento, no qual foi utilizado o algoritmo Levenberg-Marquardt backpropagation está no gráfico abaixo: Figura 12 - Curva de performance do treinamento para detecção de falhas Considerando este problema como uma questão de classificação de classes, a matriz de confusão ajuda a entender o resultado. Analisando a Figura 13, pode-se perceber que a rede neural teve 100% de acerto na identificação das classes. 13 Figura 13 - Matriz de confusão da detecção de falhas Para ilustrar a classificação dos erros, no gráfico abaixo constam 3 curvas: a curva azul representa o valor medido real da planta; o gráfico verde representa o valor gerado pela rede neural e o gráfico vermelho são as simulações das falhas. Do ponto 1 ao 51, não há erro. Do ponto 52 ao 255, foi imposto um erro de offset entre -9 e 10 e do ponto 256 a 357 um erro de ganho e 1.25 e -0.75. Por fim, do ponto 358 ao 408, foi imposto um erro de entupimento. Figura 14 - Simulação dos erros 14 3 CONCLUSÕES Através de uma pesquisa bibliográfica aprofundada sobre detecção e classificação de falhas, e compreensão do funcionamento do software syscon, bem como a comunicação em uma rede Foundation Fieldbus, foi possível realizar corretamente a identificação da planta e detectar a existência de falhas por simulação. Pode-se perceber que usar redes neurais artificiais no ambiente industrial é bastante eficaz e útil, dado que falhas de calibração ou físicas são comuns. Através deste trabalho, foi possível compreender, por inúmeras simulações, a influência do uso de várias camadas de neurônios, assim como o número de neurônios, no resultado do treinamento. Vale salientar que a bomba utilizada no sistemas de tanques foi adquirida recentemente, o que implica que ela está em processo de amaciamento. Isso fez com que, durante a primeira coleta de dados, a tensão para atingir os 30cm do tanque fosse de 4.5V, e já no momento de identificar a planta, essa tensão havia diminuído para 4V. Foi possível perceber o quão vasta é a aplicação de redes neurais artificiais dentro da área tanto de sistemas de controle quanto de automação industrial. A próxima etapa de um projeto como este seria fazer a correção automática das falhas identificadas pela rede neural. 15 4 REFERÊNCIAS BIBLIOGRÁFICAS [1] FERNANDES, Raphaela Galhardo; “Detecção e Isolamento de Falhas em Sistemas Dinâmicos Baseados em Redes Neurais”, Dissertação de mestrado, UFRN, 2007. [2] BEZERRA, Luiz G. S.; “Detecção e Diagnóstico de Falhas em Sensores no Ambiente Industrial Foundation Fieldbus”, Trabalho de conclusão de curso, UFRN, 2012. [3] ARAÚJO, Fábio Meneghetti Ugulino; “Controle Inteligente”, Apostila da disciplina Controle Inteligente, UFRN - DCA, 2004. [4] Função help, do MATLAB. [5] HAYKIN, S. S.; “Redes Neurais - Princípios e Prática”, 2 ed, Bookman, 2001. [6] BRAGA, A. D. P.; DE CARVALHO, A. P. D. L. F.; LUDERMIR, T. B. ;“Redes Neurais Artificiais: Teoria e Aplicações”. LTC Editora, 2000.
Compartilhar