v23n2a01

MONITORAMENTO E DIAGNSTICO DE MLTIPLOS SENSORES PORREDES NEURAIS AUTO-ASSOCIATIVAS

Javier [email protected]

Marley [email protected]

Ricardo [email protected]

DEE-PUC-RioRua Marqus de So Vicente, 225

22.451-900 Rio de Janeiro, RJ

ABSTRACTMonitoring and Diagnosis of Multiple Sensors by Auto-Associative Neural NetworksPreventive maintenance of sensors assures their correct op-eration for a certain period of time, but do not guaranteethat they remain faultless for other periods, besides being oc-casionally unnecessary. In industrial plants the analysis ofsignals from sensors that monitor a plant is a difficult taskdue to the high-dimensionality of data. Therefore an on-linestrategy for monitoring and correcting multiple sensors is re-quired. This work proposes the use of Auto-Associative Neu-ral Networks with a Modified Robust Training and the Se-quential Probability Ratio Test (SPRT) in an on-line monitor-ing system for self-correction and anomalies detection in themeasurements generated by a large number of sensors. Un-like existing models, the proposed system aims at using onlyone AANN for each group of sensors to reconstruct signalsfrom faulty sensors. The model is evaluated with a databasecontaining measurements of industrial sensors that controland carry out the monitoring of an internal combustion en-gine installed in a mining truck. The result shows the abilityof the proposed model to map and correct signals, with a lowerror, from faulty sensors.

Artigo submetido em 17/11/2010 (Id.: 1223)Revisado em 01/02/2011, 21/04/2011, 11/06/2011, 19/06/2011Aceito sob recomendao do Editor Associado Prof. Js de Jesus Fiais

Cerqueira

KEYWORDS: Auto-Associative Neural Networks, sensors,maintenance, signal monitoring system.

RESUMOManutenes preventivas de sensores asseguram o seu fun-cionamento correto durante um certo perodo de tempo, masno garantem que eles permaneam sem defeito por outrosperodos, alm de eventualmente serem desnecessrias. Emplantas industriais, a anlise dos sinais fornecidos pelos sen-sores que monitoram os processos de produo uma tarefadifcil em virtude da grande dimenso dos dados. Portantouma estratgia de monitoramento e correo on-line paramltiplos sensores necessria. Este trabalho prope a utili-zao de Redes Neurais Auto-Associativas com TreinamentoRobusto Modificado e do Teste Seqencial da Razo de Pro-babilidade (SPRT) em um sistema de monitoramento paraauto-correo on-line e deteco de anomalias nas medidasgeradas por um grande nmero de sensores. Diferentementede modelos existentes, o sistema proposto visa a utilizar so-mente uma RNAAM para reconstruir os sinais dos sensorescom falha. O modelo avaliado com uma base dados quecontm as medidas de sensores industriais que controlam erealizam o monitoramento de um motor de combusto in-terna, instalado em um caminho de minerao. Os resul-tados obtidos mostram a capacidade do modelo proposto demapear e corrigir, com um baixo nvel de erro, os sinais dossensores que apresentam falhas.

Revista Controle & Automao/Vol.23 no.2/Maro e Abril 2012 121

PALAVRAS-CHAVE: Redes neurais auto-associativas, senso-res, manuteno, sistema de monitoramento de sinal.

1 INTRODUOA automatizao presente nas grandes empresas industriaisde reas como petrleo, minerao, gs, papel e celulose,gua, etc. (Qiao et al., 2009; Eyng, 2008; Sanz et al., 2007;de Miguel and Blzquez, 2005; Bhme et al., 1999) est in-timamente ligada a uma constante busca pela otimizao dosprocessos de controle e monitoramento dos seus sistemas. Aseleo, distribuio, instalao e controle da instrumentaoso consideradas partes importantes e crticas na engenhariada empresa. Os atuais protocolos de barramento de campo,tambm chamadas redes industriais (Profibus, Modbus, Hart,ASI), permitem uma melhor comunicao e interao dosoperadores e engenheiros com os equipamentos de campo,resultando em medidas confiveis e informaes de poss-veis falhas nos sistemas (Tian et al., 2000). No obstante, comum que alguns sensores, s vezes os mais crticos, apre-sentem uma degradao no percebida pelo operador e levema uma parada indesejada da produo (Afonso et al., 1998).Nas ltimas dcadas tm sido desenvolvidas tecnologias quemonitoram a condio dos processos industriais durante aoperao da planta (Monsef et al., 2007). Com isto, as inds-trias procuram substituir a manuteno preventiva por estra-tgias baseadas nas condies atuais (condition-based main-tenance), obtendo potencialmente um mtodo on-line maiseficiente. De especial interesse so as tcnicas que controlamo estado dos sensores e os circuitos de instrumentao associ-ados. Estas tcnicas so comumente referidas como mtodosde monitoramento on-line e so desenvolvidas para o monito-ramento de sensores industriais e para a correo de medidasde um nico sensor (Wrest et al., 1996; Xu et al., 1998; Hineset al., 2000).Um problema comum enfrentado pelos projetistas de siste-mas computacionais para acompanhar o desempenho de umprocesso dinmico, com o objetivo de assegurar a opera-o dentro de limites impostos, a confiabilidade do sensor.Como a sada dos sensores a nica fonte objetiva de infor-mao para a tomada de deciso, essencial que o estadode funcionamento destes sensores seja conhecido. Sensoresinteligentes so capazes de enviar alertas para o controladorquando acontecem falhas na conexo, quedas de tenso nosterminais ou aumento da temperatura ambiente, mas no ad-vertem sobre a ocorrncia de uma degradao no seu estadofsico, que pode causar inexatido na grandeza medida. Osproblemas de validao e substituio do sensor com falhadevem ser considerados como parte integrante de um projetomoderno de monitoramento, de diagnstico, ou de sistemasde controle (Tian et al., 2000).

A manuteno manual de sensores realizada periodica-mente, de forma a validar o funcionamento correto do ins-trumento. No entanto, dependendo da freqncia da manu-teno, sensores defeituosos podem permanecer despercebi-dos por perodos longos de tempo. Desrespeitar os progra-mas de manuteno pode trazer efeitos desfavorveis parao processo, refletindo-se na qualidade do produto, causandoperdas econmicas e, em muitos casos, acidentes, devido aum controle com sinais de realimentao imprecisos (Hinesand Garvey, 2007). Por outro lado, a a manuteno manual desnecessria em sensores que estejam funcionando correta-mente, alm de gerar um envelhecimento precoce dos com-ponentes.

A Inteligncia Computacional tem sido utilizada para desen-volver metodologias de deteco de falhas (Garcia-Alvarezet al., 2009; Koscielny and Syfert, 2006; Theilliol et al.,2002). Este mtodo, em que um modelo computacional projetado para predizer a sada do sistema real, no ade-quado para executar um diagnstico de sensores, uma vezque se baseia em dados de entrada (medies via sensores)corretos e pressupe que as entradas para o sistema real epara o modelo estejam livres de falhas. Quando existe umadiferena notvel entre a sada do sistema real e a sada domodelo, supe-se que exista um problema no sistema real.No monitoramento e diagnstico de sensores o foco dife-rente, isto , o objetivo encontrar sensores disfuncionais(entradas do sistema) que provocam tais problemas (Najafiet al., 2004).Em sistemas tradicionais de monitoramento e diagnstico defalhas utiliza-se a chamada redundncia por hardware, emque mais de um sensor realiza uma mesma medida. Em-bora esta tcnica seja ainda utilizada por apresentar resulta-dos confiveis (Theilliol et al., 2002), ela apresenta algumasdesvantagens, tais como o custo elevado de aquisio de ummaior nmero de sensores ou a disponibilidade de espaorequerido para a instalao dos mesmos. H tambm a cha-mada redundncia por software, que faz uso da estimativados sinais por meio de um modelo matemtico. Esta me-todologia tem a principal vantagem de no implicar em umacrscimo de componentes ao sistema existente, reduzindoos custos e minimizando o espao de instalao.

Sistemas como estes, cujo grau de complexidade maior,tm sido pouco explorados no pas. Os primeiros projetosde monitoramento de instrumentos de campo surgiram nosEstados Unidos em plantas de Energia Nuclear (Upadhyayaand Eryurek, 1992; Fantoni et al., 2003). No Brasil, as pes-quisas concentraram-se em desenvolver modelos para auto-correo e auto-validao, utilizando tcnicas como LgicaFuzzy (Mendel, 1995) e Redes Neurais (Haykin, 1998), apli-cadas ao monitoramento de um nico sensor ou ao monito-ramento da planta (Pereira et al., 2006; Bueno, 2006; Ga-

122 Revista Controle & Automao/Vol.23 no.2/Maro e Abril 2012

lotto et al., 2007; Oliveira et al., 2009; Reyes et al., 2010). Autilizao desses modelos em monitoramento on-line gerariauma complexidade maior do que a desejvel, j que seria ne-cessrio projetar um sistema abrangendo distintos modelospara cada sensor em um mesmo processo. Uma metodologiaque possa abranger um grupo grande de sensores ainda se faznecessria.

A motivao deste trabalho desenvolver um modelo quepossa realizar monitoramento on-line e auto-correo de me-didas de mltiplos sensores, com o objetivo de reduzir oscustos de manuteno e o risco de manter sensores defeituo-sos, aumentar a confiabilidade do instrumento e, consequen-temente, reduzir o tempo de inatividade do equipamento. Acapacidade das Redes Neurais (Haykin, 1998) de mapear sis-temas complexos no lineares com mltiplas variveis, semnecessariamente se conhecerem eventuais modelos matem-ticos que descrevem seus comportamentos, uma alternativapara realizar a verificao e o processamento de sinais dosinstrumentos de medio.

O modelo proposto neste trabalho foi concebido a partir doestudo das caractersticas desejadas para o sistema de auto-correo e diagnstico de sensores que operam em um pro-cesso contnuo. Optou-se por utilizar a arquitetura de RedesNeurais Auto-Associativas (Kramer, 1991), que permitem afiltragem de rudos nas medidas, a auto-correo do sinalcom falha quando o sensor apresenta um erro do tipo desvio(drift fault) - definido como uma baixa taxa de variao dovalor esperado do sinal no tempo - e o tratamento de falhasgrosseiras (gross faults) - definidas como falhas drsticas nosensor.

Este artigo contm cinco sees adicionais. A seo 2apresenta a arquitetura de Redes Neurais Auto-Associativas(RNAA) proposta para a realizao da auto-correo de me-didas dos sensores, assim como a descrio do treinamentorobusto para RNAA. A seo 3 apresenta o modelo de moni-toramento on-line de instrumentos, constitudo por um m-dulo de auto-correo, baseado no treinamento modificadoda RNAA (RNAAM), e por num mdulo de lgica de deci-so, baseado no SPRT (Hines et al., 2000). A seo 4 apre-senta o estudo de caso: sensores industriais de controle emonitoramento de um motor de combusto interna utilizadoem um caminho de minerao. Esta aplicao possui umgrande nmero de variveis de entrada (medidas dos senso-res), que permite avaliar o desempenho do modelo proposto.Finalmente, a seo 5 conclui o trabalho.

2 ARQUITETURA DE REDES NEURAISAUTO-ASSOCIATIVAS

As redes neurais auto-associativas so inspiradas na meto-dologia NLPCA (nonlinear principal components analysis)

(Torres et al., 2004; Cuenca et al., 2004). Simplificadamente,nesta metodologia, dados de entrada de um sistema so ma-peados na sada por meio de uma funo no linear G. A re-construo do dados originais efetuada por um desmapea-mento, expresso por uma funo H, tambm no linear. Asfunes G e H so escolhidas de forma a se minimizar a perdade informao no processo mapeamento-desmapeamento.

Tendo em vista uma representao desse processo por meiode uma rede neural, importante recordar que redes neu-rais podem implementar uma vasta gama de funes no-lineares. Esta caracterstica pode ser usada na construode uma rede para obteno de componentes principais no-lineares (Torres et al., 2004). Na arquitetura em questo, faz-se uso de duas redes neurais conectadas em srie, respons-veis pela implementao do mapeamento, G, e do desmape-amento, H, dos sinais, conforme mostrado na Figura 1.

.

.

.

.

.

.

.

.

.

/

/

/

G T

H

Camada de Entrada

Camada de Mapeamento

Camada de Estrangulamento

Camada de Desmapeamento

Camada de Sada

Figura 1: Rede neural auto-associativa.

As medidas dos sensores formam o vetor de entrada da rede,X; em consequncia, a dimenso m da camada de entradacorresponde dimenso do vetor de medidas. A camada desada produz o vetor de dados reconstrudo, de mesma di-menso da camada de entrada. A primeira camada escondidarepresenta o mapeamento G e contm um nmero de neur-nios maior do que nmero de entradas. A segunda camadaescondida representa a camada de estrangulamento (bottle-neck) T, de dimenso inferior da camada de entrada. Aterceira camada escondida representa a camada de desmape-amento H, de dimenso igual da camada de mapeamento.Observe-se que a camada escondida T a projeo do ve-tor de entrada no espao de caractersticas. Nesta rede, ospesos so atualizados para cada amostra, de forma que, aofinal do processo, a distribuio dos pesos possa caracteri-zar a rede neural como uma matriz identidade. Em outraspalavras, busca-se otimizar a topologia da rede de forma areconstruir as m variveis de entrada com o menor erro pos-svel, utilizando-se para tal um conjunto reduzido de neur-nios na camada de estrangulamento.

A camada de estrangulamento desempenha um papel chavena funcionalidade da rede auto-associativa, pois fora uma


codificao e compresso das entradas, com uma poste-rior decodificao ou descompresso. Eventuais correlaesocultas existentes nos dados sero capturadas pela camada deestrangulamento e os efeitos de no correlao produzidos,por exemplo, por rudo nos sinais sero excludos nestacamada (Kramer, 1991). Se a rede treinada com dados ade-quados, a sada para um novo dado da mesma distribuio doconjunto de treinamento estar o mais prximo possvel doestado livre de rudo. No existe um mtodo para decidir onmero de neurnios das camadas escondidas da RNAA. Nocaso das camadas de mapeamento e desmapeamento, deve-se adotar uma dimenso suficientemente grande para garan-tir que a rede consiga recuperar os sinais de entrada, semrisco de over-fitting. A validao cruzada tambm pode serusada para selecionar o nmero apropriado de neurnios nes-tas camadas (Marseguerra and Zoia, 2005a; Marseguerra andZoia, 2005b; Kramer, 1992).

2.1 Treinamento Robusto

O treinamento robusto (Kramer, 1992) uma importante fer-ramenta para a soluo de problemas com erros sbitos (des-vio e offset) e rudo nas medidas. Fornece-se rede neu-ral um conjunto de dados em que alguns padres, seleci-onados de forma aleatria, so corrompidos, forando-se arede a obter os resultados corretos (sem perturbaes). Ospadres a serem corrompidos so escolhidos com distribui-o de probabilidade uniforme do conjunto de treinamento ecada corrupo consiste em variar uma entrada selecionadaaleatoriamente dentre as amostras, enquanto todas as outrasentradas mantm os seus valores corretos (Marseguerra andZoia, 2005b).Considerando uma varivel de entrada X = [x1, x2, . . . , xn]com n amostras, a uma amostra j agregado um rudoaleatrio , de maneira a formar a nova entrada X =[x1, x2, . . . , xj+, xj+1, . . . , xn]; a RNAA forada a forne-cer como sada os dados originais de X. Este procedimento repetido vrias vezes para as m entradas da rede neural, deforma que todas as amostras do conjunto de treinamento se-jam corrompidas em diversas ocasies. Assim, o algoritmode aprendizagem visa a sintonizar a rede para que as suasrespostas estejam prximas dos valores desejados quando ossinais de entrada apresentam rudo ou erros sbitos.

A rede treinada desta forma consegue corrigir as medidas dossensores quando somente um deles apresenta falhas; casoexistam mais sensores defeituosos, ela no conseguir cor-rigir os erros de forma adequada. Abordagens que procu-ram superar esta deficincia (Najafi et al., 2004; Singh, 2004;Marseguerra and Zoia, 2006; Antory et al., 2008) fazem usode estruturas mais complexas ou de alto custo computacio-nal, inviveis para procedimentos on-line. O modelo pro-posto neste trabalho emprega somente uma rede neural para

reconstruir os sinais dos sensores com falha, sem o auxlio dealgoritmos adicionais ou de outra rede, simplificando, assim,o treinamento.

3 MODELO DE MONITORAMENTOOs modelos de monitoramento podem ser divididos em duasgrandes categorias: redundantes e no redundantes. Na mo-delagem redundante, um conjunto de sensores verifica o fun-cionamento de um mesmo processo. A mdia das leiturasdos vrios sensores pode ser utilizada, por exemplo, para seobter o resultado. Em contraste, as tcnicas de modelagemno redundantes se baseiam na estimao das medidas de ins-trumentos correlacionados (Hines and Garvey, 2007).A seleo dos sensores que sero includos como entrada de grande importncia em modelo no redundantes. Modelosconstrudos com grupos de sensores cujas medidas apresen-tam correlaes altas geram menor erro de predio quandocomparados com os modelos que apresentam uma baixa cor-relao nos vetores de entrada (Hines et al., 2000; Najafiet al., 2004; Kramer, 1991).A Figura 2 mostra o diagrama de blocos do modelo de umsistema de monitoramento on-line. O vetor de medidas dossensores X a entrada para o modelo de auto-correo, quecalcula a melhor estimativa do vetor de entrada. O vetor es-timado comparado com o vetor de entrada, criando o vetorde resduos r, que ser a entrada do modelo de lgica de deci-so. Este determina se o resduo estatisticamente diferentede zero e se est dentro da faixa de tolerncia; sua sada uma indicao do estado de cada sensor.

MODELO DE LGICA DE DECISO

MODELO DE AUTO-

CORREO Estado dos sensores

Figura 2: Modelo de Monitoramento on-line.

O modelo proposto neste trabalho visa a calcular os parme-tros estimados dos sensores empregando os dados histricosde um conjunto de sensores correlacionados.

3.1 Modelo de Auto-CorreoO objetivo do modelo corrigir as medidas de um conjuntode instrumentos quando estes apresentam alguma degrada-o no seu estado, devido a uma instalao inadequada, aoenvelhecimento do sensor ou a uma deformao do sensororiginada por uma exposio em ambientes inadequados.


O modelo de auto-correo tem como elemento principal aRede Neural Auto-Associativa (RNAA), que realiza a re-construo dos sinais. Conforme mencionado na seo 2,a RNAA atua como uma matriz identidade quando os senso-res no apresentam falha, e como uma funo no linear quereconstri os sinais quando estes apresentem alguma degra-dao. Assim, o modelo desenvolvido neste trabalho con-siderado do tipo no redundante, pois utiliza os dados hist-ricos do funcionamento dos sensores e cobre toda a gama defuncionamento do processo.

O desenvolvimento do modelo de auto-correo compreendeos seguintes passos.

Passo 1 - Correlao dos sensores

Nesta primeira etapa, analisa-se a correlao das medidasdos sensores. O grau de correlao entre as variveis umaspecto significativo para que uma RNAA trabalhe comoum sistema de monitoramento (Wrest et al., 1996; Kra-mer, 1991). Em situaes de correlao alta, desvios, offsetou rudos em um dos sensores no afetam significativamentea resposta da RNAA, pois a sada est relacionada com todasas entradas atravs de um grande nmero de pesos e padres.O grau de coerncia entre parmetros i e j determinadopela funo de correlao S(i, j) = C(i,j)

C(i,i)C(j,j)onde C

representa a matriz de covarincia. Valores prximos a 1representam alta correlao na faixa de trabalho dos senso-res.

Neste estudo, verificou-se que, apesar de os sensores reali-zarem o monitoramento de uma mesma planta, nem sempretodos apresentaram correlaes altas. Assim, quando a quan-tidade de sensores grande e as correlaes no so unifor-mes, prope-se realizar uma diviso do conjunto de sensorese criar grupos que apresentem correlaes similares, com afinalidade de obter uma melhor aproximao dos sinais.

Passo 2 - Pr-processamento de dados

Efetuada a identificao dos subgrupos de sensores, um tra-tamento da base de dados deve ser realizado: retiram-se da-dos inconsistentes ou incompletos antes do treinamento daRNAA. Em seguida, realiza-se uma normalizao dos da-dos. No caso deste trabalho, em que a funo de ativaodos neurnios nas camadas escondidas do tipo tansig (tan-gente sigmide), as medidas foram mapeadas em uma faixade [-1, 1] para simplificar o treinamento.

Passo 3 - Estimativa de neurnios

A complexidade da RNAA definida pelo nmero de neur-nios na camada de estrangulamento (Kramer, 1991; Hines

and Garvey, 2007); embora o nmero de neurnios nas ca-madas de mapeamento e desmapeamento afete o desempe-nho da rede, alteraes nos neurnios na camada de estran-gulamento tero efeito mais significativo na qualidade da res-posta. Para encontrar o nmero de neurnios nesta camada,treinam-se e testam-se distintas topologias com a finalidadede colher informaes para avaliar o nmero de neurniosque fornea RNAA a capacidade de corrigir as medidas deum sensor. A RNAA deve ser treinada como uma base de da-dos que apresente perturbaes, conforme explicado na seo2.1. O nmero de neurnios nas camadas de mapeamento edesmapeamento ento escolhido com a finalidade de se ob-ter a resposta desejada livre de rudos (um nmero maior deneurnios proporciona, em geral, uma filtragem superior). Arede ter, ento, a capacidade de reconstruir os sinais de umsensor com o auxlio da correlao existente com os outrossensores.

Ao contrrio de estudos anteriores, neste trabalho foi ava-liada a resposta fornecida pela rede para cada sinal recons-trudo. O treinamento da rede realizado com base na mdiados erros quadrticos (MSE). A deciso sobre o melhor mo-delo efetuada via validao cruzada (Haykin, 1998), combase no valor mdio do erro percentual (MAPE). Na fase detestes, tambm utilizada, para avaliao do desempenho, araiz quadrada do erro mdio quadrtico (RMSE). As expres-ses para estas mtricas so as seguintes:

MSE =

Ni=1 (xi xi)2

N

RMSE =

Ni=1 (xi xi)2

N

MAPE =1

N

Ni=1

xi xixi 100% (1)

Passo 4 - Treinamento Robusto Modificado(RNAAM)Neste passo, almeja-se fornecer rede a capacidade de re-construo de sinais que apresentam erros sbitos ao mesmotempo. O treinamento robusto proposto por Kramer ca-paz de reconstruir os sinais dos sensores que apresentam fa-lhas, desde que estes no sejam simultneas, utilizando umaou mais redes neurais auto-associativas (Marseguerra andZoia, 2005b; Hines et al., 2000; Simani et al., 2000; Bhmeet al., 1999). A RNAA robusta consegue realizar a reconstru-o dos sinais dos sensores quando um nico sensor do grupoapresenta falha, mas, no momento de reconstruir o sinal comfalha, observam-se desvios nas sadas correspondentes aossensores que no apresentaram falhas.


Com o objetivo de melhorar a resposta da RNAA no caso demltiplas falhas e de desenvolver uma metodologia passvelde ser empregada em sistemas reais, prope-se, neste traba-lho, uma modificao do treinamento robusto. Considere-seum conjunto de treinamento X = [X1n,X2n, . . .Xmn],onde Xin representa o vetor de n amostras do sensor i.Inserindo-se rudo apenas nas medidas de um sensor i, porexemplo, observa-se, na sada da rede neural, como se d areconstruo dos sinais de todos os sensores. Supondo que asmedidas de outros dois sensores (i + 2 e i + 4, por exemplo)no tenham sido reconstrudas satisfatoriamente, inserem-se,na entrada da rede, em uma etapa seguinte, rudos aleatriosnos sinais destes dois sensores. Repete-se este procedimentopara outros dois sensores, at que os dados de todos eles,sempre dois a dois, tenham sido apresentados de forma cor-rompida rede. A rede com tal treinamento recebe o nomede RNAAM (Rede Neural Auto-Associativa Modificada).

3.2 Modelo de Lgica de DecisoTem-se como objetivo detectar falha em sensores o mais ra-pidamente possvel, com uma probabilidade pequena de to-mar uma deciso errada. O modelo usado neste trabalho paraatingir tal objetivo faz uso do teste de probabilidade de rela-o seqencial (SPRT). Esta metodologia detecta a regio deoperao do sensor com base nos tempos de falha. O algo-ritmo usa o resduo como entrada para avaliar o estado dosensor. Ao contrrio de testes com comprimento fixos detempo que calculam uma nova mdia e varincia em cadapoca de amostragem, o algoritmo monitora continuamenteo desempenho do sensor atravs do processamento do res-duo. Devido sua natureza seqencial, necessita de um n-mero mnimo de amostras para calcular o erro de tolerncianos procedimentos de deteco.

No SPRT, considera-se que o resduo obtido apresenta umadistribuio de probabilidade normal com mdia () zero evarincia (2) igual s pequenas variaes caractersticas deum sinal de campo produto de um rudo atenuado. A funode distribuio de probabilidade do resduo do tipo:

p(x|H0) = 12pi2

exp

( (x )

2

22

)(2)

O SPRT usado para decidir entre duas hipteses, H0 eH1. H1 corresponde s regies de taxa decrescente da fa-lha (TDF) ou taxa de aumento da falha (TAF), e H0 denotauma regio de taxa de modo normal (TMN). Isto permite adeteco quando o resduo ultrapassa a regio TMN, tantopara a regio TDF como para a regio TAF.

Para calcular o SPRT, necessrio primeiramente computara razo de verossimilhana, representada pela equao (3).

Ln =prob. de observacao {Xn} dado H1 verdadeiraprob. de observacao {Xn} dado H0 verdadeira

=p ({Xn}|H1)p ({Xn}|H0) (3)

onde Xn uma seqncia de n observaes consecutivas deX.

A razo de verossimilhana , ento, comparada com o limiteinferior A e o limite superior B, (cf. equao (4)) definidospela probabilidade de alarme falso () e probabilidade de au-sncia de alarme ():

A =

1 B =

1

(4)

Se a razo de verossimilhana for menor do que A, ela per-tence regio TNM do sistema; se for maior do que B, per-tence regio degradada do sistema (TDF ou TAF), e umafalha registrada (cf. Figura 3).

Condio de contorno B

Condio de contorno B

Condio de contorno A

Limiar violado

0

Figura 3: Comportamento do resduo frente ao SPRT.

4 ESTUDO DE CASOO estudo de caso foi escolhido com o objetivo de mostrarque a RNAAM realiza uma reconstruo on-line dos sinaisdos sensores quando estes apresentam desvio, offset e rudo.Recorde-se que o modelo proposto da categoria no redun-dante, efetivo para realizar monitoramento de sensores emnvel industrial, e apropriado para se avaliar estados de sen-sores ao longo do tempo.

O modelo foi avaliado com uma base dados de medidas desensores que controlam e realizam o monitoramento de ummotor de combusto interna acoplado a um alternador, quegera a energia necessria para alimentar dois motores eltri-cos encarregados da trao das rodas traseiras de um cami-nho de minerao da empresa Barrick, no Peru.


A primeira etapa do trabalho foi confirmar que os sensoresestavam previamente calibrados, de forma a se realizarem,ento, simulaes de falhas. A base de dados fornecida apre-senta valores filtrados previamente na etapa de aquisio desinal no ECM (Engine Control Module). Portanto, as medi-das dos sensores que apresentam variaes abruptas so con-sideradas parte da operao do motor e no rudos externos.

Das 40 variveis de medidas fornecidas, foram selecionadas32, correspondentes s medidas de distintos sensores de pres-so e temperatura instalados exteriormente ao motor. Foramdesconsideradas as variveis produto de clculos feitos noECM, medies do tipo PWM (Pulse Width Modulation) esensores com sada do tipo ON-OFF.

Os dados representam medidas relativas ao translado de pro-dutos pelo caminho. O sistema de monitoramento do cami-nho gerou uma base de dados de 2000 amostras, com medi-es realizadas com um perodo de amostragem de 1 minutopara cada sensor. Diferentemente de outros estudos, os si-nais produzidos pelos sensores no so ideais, ou seja, apre-sentam variaes resultantes do esforo do motor durante otranslado de material.

Das 2000 amostras, utilizaram-se 800 para a etapa de trei-namento, 200 para validao, e 1000 para a etapa de teste.De forma a evitar o super-treinamento (overfitting), foi uti-lizada a tcnica de parada antecipada ou prematura (early-stopping) para o treinamento de todas as redes neurais testa-das.

Com base na metodologia descrita na seo 3, analisaram-seas medidas para identificar grupos de sensores com corre-laes similares. Os sensores foram divididos em trs gru-pos, associando-se a cada um deles uma RNAAM. A Fi-gura 4 apresenta um diagrama de blocos do modelo de auto-correo previsto. Detalham-se, a seguir os testes efetuadoscom cada um dos grupos.

4.1 Teste com o Modelo de Auto-Correo

Grupo 1

Os sensores selecionados para formar este grupo, apresen-tados na Tabela 1, medem a temperatura na cmara de com-busto interna dos oito cilindros do motor e apresentaram umgrau de correlao acima de 0,87.

Na elaborao de um algoritmo para buscar o menor n-mero de neurnios na camada de estrangulamento, testaram-se distintas topologias para a RNAAM, variando-se o n-mero de neurnios nas camadas escondidas e inserindo-serudo nas medidas. Com base nos erros obtidos na etapa

Figura 4: Modelo de Auto-Correo.

Tabela 1: Sensores de Temperatura nos Cilindros - Gr. 1.Sensores do Grupo 1

T. de escape cilindro 1 LB T. de escape cilindro 5 LBT. de escape cilindro 1 RB T. de escape cilindro 5 RBT. de escape cilindro 2 LB T. de escape cilindro 6 LBT. de escape cilindro 2 RB T. de escape cilindro 6 RBT. de escape cilindro 3 LB T. de escape cilindro 7 LBT. de escape cilindro 3 RB T. de escape cilindro 7 RBT. de escape cilindro 4 LB T. de escape cilindro 8 LBT. de escape cilindro 4 RB T. de escape cilindro 8 RB

de validao, a rede com maior capacidade de generaliza-o foi escolhida via validao cruzada. Ao final do trei-namento, foi testada a capacidade da rede de se comportarcomo um filtro ou corretor de sinais - frente s medidascom rudo. A Figura 5 resume os resultados alcanados,na fase de treinamento, para as diferentes topologias esco-lhidas e mostra o comportamento da RNAAM em funodo nmero de neurnios na camada de estrangulamento (de1 a 14), considerando-se diferentes nmeros de neurniosnas camadas de mapeamento e desmapeamento (identifica-dos por M no quadro superior direito).

0 2 4 6 8 10 12 140

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Bottleneck

MAP

E

M=18M=19M=20M=21M=22

ESTRANGULAMENTO

Figura 5: Erro (MAPE) em funo do nmero de neurniosna camada de estrangulamento.


Observa-se que, independentemente do nmero de neurniosnas camadas de mapeamento e desmapeamento, a rede geramenor erro na predio quando o nmero de neurnios nacamada de estrangulamento atinge um valor prximo do n-mero de entradas. Embora um maior nmero de neurniosna camada de estrangulamento melhore a capacidade da redede operar frente a perturbaes em um sensor, o custo com-putacional para calcular os pesos da rede elevado. Esco-lher o menor nmero de neurnios nesta camada que possafornecer uma boa aproximao da sada (sem perturbao) imprescindvel para reduzir o custo computacional e obteruma boa generalizao. Na maioria das topologias testadas,quando a camada de estrangulamento supera os seis neur-nios, o erro de predio permanece praticamente o mesmo,ou seja, a variao insignificante. Desta forma, foram es-colhidos 6 neurnios para esta camada.

O passo seguinte foi treinar a RNAAM para reconstruo demedidas quando estas apresentam rudos, desvios ou offsetnos vetores de entrada. Para tal, foi usado o treinamentorobusto modificado (seo 3.1) com rudo aleatrio de 10%da faixa de medio. O nmero de neurnios nas camadasde mapeamento e desmapeamento foi aumentado at se ob-ter uma resposta com erro MAPE mximo de 2%. Ao fi-nal do treinamento, a topologia obtida apresentou 18 neur-nios na camada de mapeamento/desmapeamento. A Tabela 2mostra os resultados obtidos com a topologia 16-18-6-18-16.Observa-se que o MAPE menor do que 1% para todos ossensores, atingindo-se, assim, o objetivo proposto.A rede foi testada quanto reconstruo de sinais frente aerros sbitos. Foram apresentados vetores de entrada comum desvio de 0,7% por minuto (5F) durante 500 minutos (aofinal do processo, o desvio de 100F). A Figura 6 apresentao resultado da RNAAM1 frente ao desvio do sensor 1 e ocomportamento para o sensor 2 do mesmo grupo; a Tabela 3apresenta os resultados para os 16 sensores.

Os resultados mostram que o sensor 1 (Temperatura de es-cape cilindro 1LB) apresenta um aumento do MAPE de0,03% para aproximadamente 0,6%, abaixo do limite do erroestabelecido para o conjunto de sensores (2%). Alm disso,a mdia da diferena existente entre a resposta da RNAAM1,para os 15 sensores restantes, quando as medidas no apre-sentam perturbaes e quando existe um desvio no sensor 1, de 0,21% para 0,24%, ou seja, a rede no gera alteraesconsiderveis nas respostas dos sensores que no apresenta-ram falhas na entrada.

Foi testada, a seguir, a capacidade da rede de corrigir falhasem trs ou mais sensores defeituosos. Dados corresponden-tes a medies de trs sensores com falhas, selecionados ale-atoriamente, foram apresentados RNAAM1 (com desvioidntico ao anterior). A Tabela 4 resume os resultados para

Tabela 2: Resultados sem perturbaes.Grupo I 16-18-6-18-16Sensor MSE (e-3) MAPE (%) RMSE

1 0,1500 0,0392 0,76182 0,1030 0,1666 2,58423 0,2010 0,2244 3,03044 0,1100 0,1522 2,24185 0,1400 0,1826 2,60206 0,0200 0,0518 1,03367 0,1920 0,1936 2,62758 0,1700 0,2023 2,80819 0,3400 0,3184 4,3957

10 0,2010 0,2378 3,387111 0,2180 0,2426 3,681712 0,1520 0,2030 2,960613 0,2800 0,2512 3,614414 0,1890 0,2463 3,688615 0,2660 0,2495 3,454916 0,1950 0,2416 3,4527

Tabela 3: Desvio de 0,7% por minuto no sensor 1.Grupo I 16-18-6-18-16Sensor MSE (e-3) MAPE (%) RMSE

1 0,0017 0,6233 8,03082 0,0002 0,2131 3,22843 0,0002 0,2208 3,02484 0,0001 0,153 2,22895 0,0003 0,2775 3,79586 0 0,0466 0,80677 0,0002 0,1864 2,53278 0,0002 0,2093 2,89269 0,0003 0,3172 4,315

10 0,0005 0,3882 5,333411 0,0002 0,2481 3,729912 0,0004 0,337 4,545413 0,0002 0,2357 3,359714 0,0002 0,2335 3,441715 0,0005 0,3425 4,541016 0,0002 0,2586 3,8134


todos os sensores, considerando-se os sensores 1 (Tempe-ratura de escape cilindro 1 LB), 5 (Temperatura de escapecilindro 3 LB) e 11 (Temperatura de escape cilindro 6 LB)como aqueles com falhas. A Figura 7 apresenta a respostada RNAAM1 para os sensores 1 e 2 frente aos desvios nossensores 1, 5 e 11. Pode-se perceber que a RNAAM1 con-segue efetuar a auto-correo das medidas dos sensores queapresentaram desvios com um valor de MAPE inferior a 1%.Contrastando-se os valores das Tabelas 3 e 4, observa-se quea mxima diferena entre os dois casos apresentada pelosensor 5 - aumento do MAPE de 0,277% para 0,729%.

Finalmente, testou-se a RNAAM1 com rudo aleatrio de20% da faixa de medio, que pode ser considerado comocausado por um evento externo que interfere no hardwaredo sensor. Como exemplo, foi inserido nos sinais do sensor1 (Temperatura de escape Cilindro 1LB) um rudo aleatriogaussiano com mdia 0 e desvio padro equivalente a 40F.A Figura 8 mostra que a RNAAM1 consegue filtrar o rudosatisfatoriamente.

Tabela 4: Desvio em 100 unidades dos sensores 1, 5 e 11.Grupo I 16-18-6-18-16Sensor MSE (e-3) MAPE (%) RMSE

1 0,0019 0,6550 6,44362 0,0002 0,2550 3,77253 0,0002 0,2366 3,24504 0,0004 0,2622 4,01005 0,0021 0,7299 7,91746 0 0,0880 1,49117 0,0006 0,3436 4,48748 0,0003 0,2727 3,71629 0,0005 0,3862 5,226310 0,0008 0,4989 6,687211 0,0003 0,2991 4,512112 0,0006 0,4446 6,027313 0,0003 0,2389 3,613614 0,0004 0,4016 5,688015 0,001 0,5091 6,559516 0,0006 0,4262 6,1295

Grupo 2

Os sensores do Grupo 2 (Tabela 5) apresentaram um grau decorrelao de aproximadamente 0,6.

Seguindo a metodologia proposta na seo 3, foram testadas,primeiramente, distintas topologias para se obter o melhor

Tabela 5: Sensores de Temperatura e Presso - Grupo 2.N Sensores Grupo 21 P. do ar na sada do turbo de alta esquerdo2 P. do ar na sada do turbo de alta direito3 Temperatura do ar no aftercooler de frente

esquerdo4 Temperatura do ar no aftercooler posterior

esquerdo5 Temperatura do ar no aftercooler de frente direito6 Temperatura do ar no aftercooler posterior direito7 Presso do refrigerante motor

nmero de neurnios na camada de estrangulamento, semprecom o objetivo de filtragem do rudo e de auto- correo dasmedidas de um sensor com falha. Foram considerados de 9a 16 neurnios para as camadas de mapeamento e desmape-amento, e de 1 a 6 neurnios na camada de estrangulamento.Recorde-se que o nmero de neurnios nesta camada es-colhido tendo-se em vista o custo computacional, a variaodo erro frente ao aumento do nmero de neurnios e a capa-cidade da rede de corrigir as entradas quando estas apresen-tam erros. A seguir, realizou-se o treinamento modificado,mediante a insero, nos vetores de entradas, de erros equi-valentes a 20% da faixa de medio dos sensores. O nmerode neurnios nas camadas de mapeamento e desmapeamentofoi aumentado at se obter uma resposta com erro MAPEmximo de 2%. Ao final do aprendizado, a topologia ob-tida apresentou 15 neurnios na camada de mapeamento edesmapeamento e 3 neurnios na camada bottleneck. A Ta-bela 6 mostra os resultados obtidos na topologia 7-15-3-15-7da RNAAM2 para os 7 sensores. Conforme se observa, oerro MAPE menor do que 1% para todos os sensores.

Tabela 6: Resposta da RNAA do Grupo 2.Grupo II 7-15-3-15-7Sensor MSE MAPE (%) RMSE

1 0,0060 0,5881 0,30752 0,0056 0,5901 0,29073 0,0019 0,4154 0,89584 0,0077 0,3233 0,67895 0,0037 0,6845 1,48876 0,0033 0,4406 0,85637 0,0087 0,5917 0,3823

O passo seguinte foi testar a capacidade da rede de recons-truir os sinais frente a um sensor com falha. Para tal, foram


300 320 340 360 380 400 420 440 460 480700

800

900

1000

Tempo (min)

F

Temperatura de escape cilindro 1LB

320 340 360 380 400 420 440 460 480

900

1000

1100

1200

Tempo (min)

F

Temperatura de escape cilindro 1RB

CalibradoRNAAM

CalibradoRNAAMDescalibrado

Sem Defeito

Defeituoso

Sem Defeito

Figura 6: Resposta dos sensores 1 e 2 frente ao desvio total de 100F no sensor 1 (Temperatura de escape cilindro 1LB).

Sem Defeito

50 100 150 200 250 300 350 400 450

800

1000

1200

Tempo (min)

F

Temperatura de escape cilindro 6LB

50 100 150 200 250 300 350 400 450

800

900

1000

1100

1200

Tempo (min)

F

Temperatura de escape cilindro 6RB

CalibradoRNAAMDescalibrado

CalibradoDescalibrado

Sem Defeito

Defeituoso

Sem Defeito

RNAAM

Figura 7: Resposta dos sensores frente ao desvio lento de 0,7% por minuto nos sensores 1,5 e 11.

apresentados rede erros do tipo offset nos sinais dos sen-sores. A Figura 9 apresenta as sadas da RNAAM2 para ossensores 1 (Presso da sada do turbo de alta esquerdo) e 2(Presso da sada do turbo de alta direito), considerando- seum offset de 4 psi no sensor 2. A Tabela 7 resume os resulta-dos.

Finalmente, a RNAAM2 foi testada para mltiplas falhas dotipo offset. As medidas dos sensores 2, 4, 5, 6 e 7 (escolhi-dos aleatoriamente) foram corrompidas com um offset de 4unidades ao mesmo tempo. A Tabela 8 resume os resultadosobtidos. Comparando-se os resultados obtidos nos testes parafalhas em um nico sensor e para falhas mltiplas, verifica-seque a RNAAM2 consegue reconstruir os sinais dos sensorescom um MAPE menor do que 2%. Alm disso, a mdia dadiferena entre este caso e aquele isento de perturbaes nos

sinais sensores apresenta um aumento de 0,51% para 0,85%(MAPE). Portanto, os erros esto dentro do limite estabele-cido para o conjunto de sensores analisado.

Grupo 3

Os sensores deste grupo, apresentados na Tabela 9, tm cor-relaes com mdia de 0,33; como existem sensores com cor-relaes inferiores a 0,2, este grupo se constitui em um forteteste no que diz respeito reconstruo dos sinais frente aerros sbitos nos sensores. A mesma metodologia foi no-vamente utilizada no treinamento da rede RNAAM3. Nestecaso, devido baixa correlao existente entre os sensores, onmero de amostras fornecidas rede foi aumentado e, emconsequncia, o nmero de treinamentos.


260 270 280 290 300 310 320 330 340 350600

700

800

900

1000

1100

1200

Time(min)

F

Temperatura de escape cilindro 1 LB

CalibradoDescalibradoRNAA

Defeituoso Sem defeito

Tempo

Figura 8: Resposta da RNAA1 frente ao rudo no sensor 1.

210 220 230 240 250 260 270 280 290 300 31028

30

32

34

36

38

Tempo(min)

psi

Presso da sada do turbo de alta esquerdo

120 140 160 180 200 220

26

28

30

32

34

36

Tempo(min)

psi

Presso da sada do turbo de alta direito

ObjetivoOffsetRNAAM

ObjetivoRNAAM

Figura 9: Respostas dos sensores 1 e 2 da RNAAM2 com falha no Sensor 2 (Offset = 4 psi).

A RNAAM3 apresenta uma topologia 9-15-7-15-9 e a Ta-bela 10, a seguir, resume os resultados alcanados. Ressalte-se que, devido baixa correlao nas medidas dos sensores, onmero de neurnios na camada de estrangulamento maiordo que nos grupos 1 e 2, quando comparado ao nmero deentradas da rede.

A RNAAM3 foi testada para um erro do tipo offset de 4 psino sensor 1 (Presso no combustvel ferrovirio) nos primei-ros 125 min. de operao. A Figura 10 apresenta as respostasdo sensores 1 frente falha, e a Tabela 11 resume os resulta-dos. A resposta satisfatria por apresentar um erro MAPEmenor do que 0,02%; o erro corrigido sem alterar os demaissinais.


Tabela 7: Resposta da RNAAM2 a Falha do Sensor 2 (Offset= 4 unidades).

Grupo II 7-15-3-15-7Sensor MSE MAPE (%) RMSE

1 0,0077 0,924 0,42782 0,0035 0,6020 0,28403 0,0084 0,8603 1,61344 0,0127 0,3595 0,72175 0,0036 0,5663 1,26856 0,0058 0,4390 0,91107 0,0048 0,4726 0,2361

Tabela 8: Resposta da RNAAM2 para falhas nos sensores 2,4, 5, 6 e 7 (Offset = 4 unidades).

Grupo II 7-15-3-15-7Sensor MSE MAPE (%) RMSE

1 0,0089 1,7353 0,76152 0,005 1,2726 0,56513 0,0015 0,3847 0,83004 0,0100 0,4628 0,85005 0,0044 0,8208 1,69406 0,0065 0,6704 1,27087 0,004 0,6408 0,2405

Tabela 9: Sensores de Temperatura e Presso - Grupo 2.N Sensores Grupo 31 Presso no combustvel ferrovirio2 Temperatura do leo3 Presso do leo na entrada do filtro4 Presso do leo na sada do filtro5 P. diferencial devido aos filtros de leo6 Presso de gases no crter7 Temperatura do refrigerante motor8 Temperatura da entrada de ar do compressor9 Temperatura do ECM do motor

A rede foi testada, a seguir, para um desvio lento de 0,125%(0,2F) por minuto na medida do sensor 9 a partir do instantede tempo 500 (ao final do processo, o desvio de 10F).A Figura 11(a) apresenta os resultados deste desvio e a Fi-

Tabela 10: Resultados da RNAAM3.Grupo III 9-15-7-15-9

Sensor MSE (e-6) MAPE (%) RMSE1 0,2190 0,0165 0,03292 0,2078 0,0745 0,00683 0,1389 0,2133 0,16664 0,1234 0,2492 0,18165 0,2568 0,0748 0,00466 0,0506 0,0425 0,09377 0,3123 0,0378 0,08408 0,2808 0,4182 0,23389 0,1456 0,0343 0,0560

Tabela 11: Resposta da RNAAM3 para falha no sensor 1.Grupo III 9-15-7-15-9

Sensor MSE MAPE (%) RMSE1 0,0000 0,0122 0,03572 0,0000 0,0578 0,00553 0,0001 0,1696 0,16474 0,0002 0,2210 0,20875 0,0000 0,0537 0,00396 0,0000 0,0582 0,14897 0,0000 0,0285 0,06998 0,0003 0,2501 0,20119 0,0000 0,0707 0,1410

gura 11(b) mostra uma viso ampliada deste teste. Na Ta-bela 12 so resumidos os resultados para os 9 sensores daRNAAM3.

Finalmente, a RNAAM3 foi testada para mltiplas falhas: asmedidas de vrios sensores foram corrompidas com um offsetde 5 unidades ao mesmo tempo. A Figura 12 apresenta asrespostas da RNAAM3 para falhas simultneas nos sensores1, 3, 7 e 9, e na Tabela 13 so resumidos os resultados paraestas falhas.

Comparando-se os resultados dos testes sem perturbaes epara falhas mltiplas, verifica-se que a RNAAM3 conseguereconstruir os sinais dos sensores com um MAPE menor doque 2%. Alm disso, a mdia da diferena entre esses casose quando no existem perturbaes nos sensores de 0,34%.Portanto, os erros esto dentro do limite estabelecido para oconjunto de sensores analisado. Uma concluso fundamen-tal, e que atesta a validade da proposta deste trabalho, que


0 20 40 60 80 100 120130

135

140

145

150

155

160

165

Time(min)

psi

Presso no combustvel ferrovirio


Sem Defeito Defeituoso

Tempo

Figura 10: Respostas da RNAA2 frente a uma falha no sensor 1 (Offset = 4 psi).

Tabela 12: Resposta da RNAA3 para o desvio no sensor 9.Grupo III 9-15-7-15-9

Sensor MSE MAPE (%) RMSE1 0 0,0119 0,02232 0 0,0408 0,00403 0,0001 0,2010 0,15914 0,0001 0,2364 0,17805 0 0,0338 0,00206 0 0,0382 0,09107 0 0,0202 0,04528 0 0,1382 0,08849 0,0018 0,9291 1,5752

Tabela 13: Resposta da RNAAM3 a falhas nos sensores 1, 3,7 e 9 (offset = 5 unidades).

Grupo III 9-15-7-15-9Sensor MSE MAPE (%) RMSE

1 0,0063 0,0118 0,03572 0,0058 0,0520 0,00553 0,1267 0,1596 0,16474 0,2235 0,2087 0,20875 0,0160 0,0504 0,00396 0,0188 0,0553 0,14897 0,0217 0,0277 0,06998 0,2588 0,2309 0,20119 0,0165 0,0650 0,141

as trs redes apresentaram excelente capacidade de genera-lizao. Quando treinadas com perturbaes em medidas deapenas dois sensores, por exemplo, foram capazes de recons-

500 550 600 650 700 750 800 850 900 950 100060

70

80

90

100

110

120

130

140

150

160

Time(min)

F

Temperatura do ECM



Tempo

(a)

730 740 750 760 770 780 790 800 810

80

90

100

110

120

130

140

150

160

Time(min)

Temperatura do ECM



Tempo

(b)

Figura 11: Respostas da RNAAM3 frente a uma falha de des-vio no sensor 9 (Desvio Final = 10F).

truir, na fase de testes, os sinais de todos os sensores, comerro mnimo.

4.2 Resultados do Modelo de Lgica deDeciso (MLD)

De acordo com a seo 3.2, quando um sensor est operandocorretamente, o resduo deve ter uma mdia aproximada dezero e uma varincia comparvel dos resduos para os da-dos de treinamento. Se houver um desvio nos sinais do sen-sor, a mdia residual apresentar uma mudana e, assim, arazo de verossimilhana aumentar. Se este aumento for su-perior ao limite definido pelo usurio, os resduos sero maispropensos a pertencer ao modo de falha do que ao modo nor-


0 20 40 60 80 100 120130

135

140

145

150

155

160

165

Tempo(min)

psi

Presso no combustvel ferrovirio

ObjetivoRNAAOffset

0 20 40 60 80 100 12065

70

75

80

85

90

95

100

Tempo (min)

psi

Presso Pr Filtro de leo

ObjetivoRNAAOffset

0 20 40 60 80 100 120150

160

170

180

190

Tempo (min)

F

Temperatura de refrigerante do motor

ObjetivoRNAAOffset

0 20 40 60 80 100 12070

80

90

100

110

120

130

140

150

Tempo (min)

F

Temperatura do ECM

ObjetivoRNAAOffset

Figura 12: Resposta da RNAAM3 a falhas nos sensores 1, 3, 7 e 9 (offset = 5 unidades).

mal (sem falha); o sensor , ento, classificado como comfalha. A probabilidade de falso e a de ausncia de alarmedevem ser definidas pelo especialista. Assim, os limites A eB da equao 6 devem ser escolhidos em funo da faixa detrabalho e do tipo de sensor (Hines and Garvey, 2007).Para testar a metodologia, foram consideradas perturbaesnas medidas dos Grupos 1 e 3. Os resduos entre as respostasgeradas pelo modelo de auto-correo e as entradas foraminseridos no MLD. No primeiro teste considerou-se um errodo tipo offset de 2F na medida do sensor 9/Grupo 3 (Tem-peratura do ECM), no minuto 500. A probabilidade de falsoalarme foi fixada em 0,01 (ou 1%), e a de ausncia de alarme,em 0,1 (ou 10%). Na Figura 13, o grfico superior apresentao erro no sinal de medio e a resposta da RNAAM3;o gr-fico inferior esquerdo mostra o resduo nos sinais, e o grfico direita mostra a resposta do MLD. Como pode ser obser-vado, o modelo detecta corretamente a falha. O MLD foitestado, tambm, para um desvio de 0,2F por minuto noSensor 1/Grupo 1 (Temperatura de escape no cilindro 1LB) apartir do instante 500. A probabilidade de falso alarme nestesensor, que apresenta uma faixa de medio distinta da doprimeiro caso, foi fixada em 0,05, e a de ausncia de alarme,em 0,01. A Figura 14 mostra o desvio no sinal de medioe a resposta da RNAAM1, o resduo nos sinais e a sada doMLD. Como se observa, o modelo responde corretamente nomomento em que o desvio ocorre.

5 CONCLUSESEste artigo apresentou em detalhes a proposta de um modelode monitoramento on-line para sensores industriais baseado

no uso de redes neurais auto-associativas. O modelo prope oagrupamento de sensores com graus de correlao similaresem diferentes grupos e atribui a cada um destes uma rede, queefetua a auto-correo das medidas de sensores com falhas.Com o treinamento modificado proposto neste artigo, o mo-delo generaliza e reconstri sinais quando o sistema de mo-nitoramento detecta falhas simultneas em distintos sensoresde um mesmo grupo. Na avaliao, utilizaram-se medidas detrs grupos de sensores instalados num motor real. As trsRNAAMs mostraram-se capazes de realizar auto-correescom erros MAPE inferiores a 2%, mesmo quando a medidado sensor apresentava erros de at 100 unidades.

Ressalte-se que o treinamento das redes neurais envolve umalto custo computacional. No entanto, depois de treinadas, asRNAAMs podem ser utilizadas on-line na correo de falhasde medidas de sensores, com um baixo nvel de erro.

O Modelo de Lgica de Deciso, baseado na estatsticaSPRT, alerta o especialista quando os sensores apresentamfalhas e devem ser considerados para manuteno. Nos tes-tes, os modelos responderam satisfatoriamente a simulaesde falha do tipo offset, rudo e desvio. Finalmente, possvelafirmar que o modelo gera prioridades na manuteno dossensores e, assim, reduz os custos associados.

REFERNCIASAfonso, P., Ferreira, J. and Castro, J. (1998). Sensor fault

detection and identification in a pilot plant under pro-cess control, Chemical Engineering Research and De-sign 76(4): 490498.


100 200 300 400 500 600 700 800 900

130

140

150

F

Temperatura do ECM

0 200 400 600 800 10000

1

2

3

Tempo (min)

Resduo

0 200 400 600 800 10000

0.5

1

Tempo (min)

SPRT

Figura 13: Resposta do MLD frente ao erro no sensor 9/Grupo 3 (offset = 2F).

0 200 400 600 800 10000

0.5

1

SPRT

Tempo (min)0 200 400 600 800 1000

-200

0

200Residuo

Tempo (min)

0 100 200 300 400 500 600 700 800 900 1000600

800

1000

1200Temperatura de escape cilindro 1LB

F

Figura 14: Resposta do MLD frente ao desvio no sensor 1/Grupo 1 (5F por minuto).

Antory, D., Irwin, G. W., Kruger, U. and McCullough, G.(2008). Improved process monitoring using nonlinearprincipal component models, International Journal ofIntelligent Systems 23(5): 520544.

Bhme, T., Fletcher, I. and Cox, C. (1999). Reliableneuro self-tuning control using autoassociative neuralnetworks for the water treatment, E & I Elektrotechnikund Informationstechnik 116: 375389.

Bueno, I. (2006). Utilizao de redes neurais artificias namonitorao e deteco de falhas em sensores do rea-tor iea-r1, Masters thesis, IPEN/USP.

Cuenca, W. M., Seixas, J. M. and Levy, A. F. (2004). Aanlise de componentes principais para identificar des-cargas parciais em transformadores de potncia, Anaisdo Simpsio Brasileiro de Redes Neurais.

de Miguel, L. J. and Blzquez, L. F. (2005). Fuzzy logic-based decision-making for fault diagnosis in a dc mo-tor, Engineering Applications of Artificial Intelligence18(4): 423450.

Eyng, E. (2008). Controle Feed Forward-Feedback Aplicadoas Colunas de Absoro do Processo de Produo deEtanol por Fermentao, PhD thesis, Faculdade de En-genharia Qumica - UNICAMP.

Fantoni, P., Hoffmann, M., Shankar, R. and Davis, E. (2003).On-line monitoring of instrument channel performancein nuclear power plant using peano, Progress in Nu-clear Energy 43(14): 8389.

Galotto, L., Bose, B., Leite, L., Pereira Pinto, J., Bor-ges da Silva, L. and Lambert-Torres, G. (2007). Auto-associative neural network based sensor drift compen-sation in indirect vector controlled drive system, 33rdAnnual Conference of the IEEE Industrial ElectronicsSociety, 2007. IECON 2007., pp. 10091014.

Garcia-Alvarez, D., Fuente, M. J., Vega, P. and Sainz, G.(2009). Fault detection and diagnosis using multivariatestatistical techniques in a wastewater treatment plant,7th IFAC International Symposium on Advanced Con-trol of Chemical Processes (2009), pp. 952957.


Haykin, S. (1998). Neural Networks - A ComprehensiveFoundation, Macmillan College Publishing Company.

Hines, J. W. and Garvey, D. (2007). Process and equipmentmonitoring methodologies applied to sensor calibrationmonitoring, Quality and Reliability Engineering Inter-national 23(1): 123135.

Hines, J. W., Uhrig, R. E., Black, C. and Xu, X. (2000). Anevaluation of instrument calibration monitoring usingartificial neural networks, 8th International Conferenceon Nuclear Engineering. Proceedings of ICONE 8.,Baltimore, MD, USA, pp. 19.

Koscielny, J. M. and Syfert, M. (2006). Fuzzy diagnos-tic reasoning that takes into account the uncertainty ofthe relation between faults and symptoms, Internatio-nal Journal of Applied Mathematics and Computer Sci-ence 16(1): 2735.

Kramer, M. (1992). Autoassociative neural networks, Com-puters & Chemical Engineering 16(4): 313328.

Kramer, M. A. (1991). Nonlinear principal component analy-sis using autoassociative neural networks, AIChE Jour-nal 37(2): 233243.

Marseguerra, M. and Zoia, A. (2005a). The autoassociativeneural network in signal analysis: I. the data dimensio-nality reduction and its geometric interpretation, Annalsof Nuclear Energy 32(11): 1191 1206.

Marseguerra, M. and Zoia, A. (2005b). The autoassociativeneural network in signal analysis: Ii. application to on-line monitoring of a simulated bwr component, Annalsof Nuclear Energy 32(11): 12071223.

Marseguerra, M. and Zoia, A. (2006). The autoassociativeneural network in signal analysis: Iii. enhancing the re-liability of a nn with application to a bwr, Annals ofNuclear Energy 33(6): 475489.

Mendel, J. (1995). Fuzzy logic systems for engineering: atutorial, Proceedings of the IEEE 83(3): 345377.

Monsef, W. A., Saraya, S. and Areed, F. (2007). Design of aneural - plc controller for industrial plant, InternationalConference on Machine Learning, Models, Technolo-gies and Applications (MLMTA), Las Vegas, Nevada,USA, pp. 2528.

Najafi, M., Gulp, C. and Langari, R. (2004). Enhanced auto-associative neural networks for sensor diagnostics (e-aann), IEEE International Conference on Fuzzy Sys-tems, 2004. Proceedings., Vol. 1, pp. 453456.

Oliveira, M., Amaral, J. and Amaral, J. (2009). Algoritmospara auto-ajuste de sensores utilizando redes neurais,8th Int. Seminar on Elect. Metrology, Joo Pessoa, PB.

Pereira, J., Carvalho, A., Tatibana, G., Sanches, R., Carrasco,B., Flora, N. and Hines, J. (2006). Uma nova estrat-gia de modelagem para monitoramento de instrumentose verificao de calibrao usando redes neurais artifi-ciais., 3o Congresso Brasileiro de P&D em Petrleo eGs, Salvador, Brazil.

Qiao, W., Venayagamoorthy, G. and Harley, R. (2009).Missing-sensor-fault-tolerant control for sssc facts de-vice with real-time implementation, IEEE Transactionson Power Delivery 24(2): 740750.

Reyes, J., Vellasco, M. and Tanscheit, R. (2010). Sis-temas de inferncia fuzzy para auto-compensao eauto-validao em sensores inteligentes, XVIII Con-gresso Brasileiro de Automtica (CBA 2010), Bonito-MS-Brazil.

Sanz, J., Perera, R. and Huerta, C. (2007). Fault diagnosisof rotating machinery based on auto-associative neuralnetworks and wavelet transforms, Journal of Sound andVibration 302(45): 981999.

Simani, S., Fantuzzi, C. and Beghelli, S. (2000). Diag-nosis techniques for sensor faults of industrial proces-ses, IEEE Transactions on Control Systems Technology8(5): 848855.

Singh, H. (2004). Development and implementation of anartificially intelligent search algorithm for sensor faultdetection using neural networks, Masters thesis, TexasA&M University.

Theilliol, D., Noura, H. and Ponsart, J.-C. (2002). Fault diag-nosis and accommodation of a three-tank system basedon analytical redundancy, ISA Transactions 41(3): 365382.

Tian, G., Zhao, Z. and Baines, R. (2000). A fieldbus-basedintelligent sensor, Mechatronics 10(8): 835849.

Torres, R. C., de Seixas, J. M. and Filho, W. S. (2004). Clas-sificao de sinais de sonar passivo utilizando compo-nentes principais no-lineares, Learning and NonlinearModels 2(2): 6072.

Upadhyaya, B. and Eryurek, E. (1992). Application of neu-ral networks for sensor validation and plant monitoring,Nuclear Technology 97(2): 170176.

Wrest, D. J., Hines, J. W. and Uhrig, R. E. (1996). Instrumentsurveillance and calibration verification through plantwide monitoring using autoassociative neural networks,Proceedings of the 1996 American Nuclear Society In-ternational Topical Meeting on Nuclear Plant Instru-mentation, Control and Human Machine Interface Te-chnologies (1996), pp. 69.


Xu, X., Hines, J. W. and Uhrig, R. E. (1998). On-line sensorcalibration monitoring and fault detection for chemi-cal processes, Maintenance and Reliability Conference(MARCON 98), pp. 1214.


Date post:	07-Nov-2015
Category:	Documents
Upload:	camila-mairinques
View:	213 times
Download:	0 times

v23n2a01

Documents