Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Marley Vellasco
Javier Reyes
marley@ele.puc-rio.br
javier.rys@gmail.com
Ricardo Tanscheit
ricardo@ele.puc-rio.br
DEE-PUC-Rio
Rua Marqus de So Vicente, 225
22.451-900 Rio de Janeiro, RJ
ABSTRACT
Monitoring and Diagnosis of Multiple Sensors by AutoAssociative Neural Networks
Preventive maintenance of sensors assures their correct operation for a certain period of time, but do not guarantee
that they remain faultless for other periods, besides being occasionally unnecessary. In industrial plants the analysis of
signals from sensors that monitor a plant is a difficult task
due to the high-dimensionality of data. Therefore an on-line
strategy for monitoring and correcting multiple sensors is required. This work proposes the use of Auto-Associative Neural Networks with a Modified Robust Training and the Sequential Probability Ratio Test (SPRT) in an on-line monitoring system for self-correction and anomalies detection in the
measurements generated by a large number of sensors. Unlike existing models, the proposed system aims at using only
one AANN for each group of sensors to reconstruct signals
from faulty sensors. The model is evaluated with a database
containing measurements of industrial sensors that control
and carry out the monitoring of an internal combustion engine installed in a mining truck. The result shows the ability
of the proposed model to map and correct signals, with a low
error, from faulty sensors.
RESUMO
Manutenes preventivas de sensores asseguram o seu funcionamento correto durante um certo perodo de tempo, mas
no garantem que eles permaneam sem defeito por outros
perodos, alm de eventualmente serem desnecessrias. Em
plantas industriais, a anlise dos sinais fornecidos pelos sensores que monitoram os processos de produo uma tarefa
difcil em virtude da grande dimenso dos dados. Portanto
uma estratgia de monitoramento e correo on-line para
mltiplos sensores necessria. Este trabalho prope a utilizao de Redes Neurais Auto-Associativas com Treinamento
Robusto Modificado e do Teste Seqencial da Razo de Probabilidade (SPRT) em um sistema de monitoramento para
auto-correo on-line e deteco de anomalias nas medidas
geradas por um grande nmero de sensores. Diferentemente
de modelos existentes, o sistema proposto visa a utilizar somente uma RNAAM para reconstruir os sinais dos sensores
com falha. O modelo avaliado com uma base dados que
contm as medidas de sensores industriais que controlam e
realizam o monitoramento de um motor de combusto interna, instalado em um caminho de minerao. Os resultados obtidos mostram a capacidade do modelo proposto de
mapear e corrigir, com um baixo nvel de erro, os sinais dos
sensores que apresentam falhas.
121
1 INTRODUO
A automatizao presente nas grandes empresas industriais
de 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 intimamente ligada a uma constante busca pela otimizao dos
processos de controle e monitoramento dos seus sistemas. A
seleo, distribuio, instalao e controle da instrumentao
so consideradas partes importantes e crticas na engenharia
da empresa. Os atuais protocolos de barramento de campo,
tambm chamadas redes industriais (Profibus, Modbus, Hart,
ASI), permitem uma melhor comunicao e interao dos
operadores e engenheiros com os equipamentos de campo,
resultando em medidas confiveis e informaes de possveis falhas nos sistemas (Tian et al., 2000). No obstante,
comum que alguns sensores, s vezes os mais crticos, apresentem uma degradao no percebida pelo operador e levem
a uma parada indesejada da produo (Afonso et al., 1998).
Nas ltimas dcadas tm sido desenvolvidas tecnologias que
monitoram a condio dos processos industriais durante a
operao da planta (Monsef et al., 2007). Com isto, as indstrias procuram substituir a manuteno preventiva por estratgias baseadas nas condies atuais (condition-based maintenance), obtendo potencialmente um mtodo on-line mais
eficiente. De especial interesse so as tcnicas que controlam
o estado dos sensores e os circuitos de instrumentao associados. Estas tcnicas so comumente referidas como mtodos
de monitoramento on-line e so desenvolvidas para o monitoramento de sensores industriais e para a correo de medidas
de um nico sensor (Wrest et al., 1996; Xu et al., 1998; Hines
et al., 2000).
Um problema comum enfrentado pelos projetistas de sistemas computacionais para acompanhar o desempenho de um
processo dinmico, com o objetivo de assegurar a operao dentro de limites impostos, a confiabilidade do sensor.
Como a sada dos sensores a nica fonte objetiva de informao para a tomada de deciso, essencial que o estado
de funcionamento destes sensores seja conhecido. Sensores
inteligentes so capazes de enviar alertas para o controlador
quando acontecem falhas na conexo, quedas de tenso nos
terminais ou aumento da temperatura ambiente, mas no advertem sobre a ocorrncia de uma degradao no seu estado
fsico, que pode causar inexatido na grandeza medida. Os
problemas de validao e substituio do sensor com falha
devem ser considerados como parte integrante de um projeto
moderno de monitoramento, de diagnstico, ou de sistemas
de controle (Tian et al., 2000).
122
A manuteno manual de sensores realizada periodicamente, de forma a validar o funcionamento correto do instrumento. No entanto, dependendo da freqncia da manuteno, sensores defeituosos podem permanecer despercebidos por perodos longos de tempo. Desrespeitar os programas de manuteno pode trazer efeitos desfavorveis para
o processo, refletindo-se na qualidade do produto, causando
perdas econmicas e, em muitos casos, acidentes, devido a
um controle com sinais de realimentao imprecisos (Hines
and Garvey, 2007). Por outro lado, a a manuteno manual
desnecessria em sensores que estejam funcionando corretamente, alm de gerar um envelhecimento precoce dos componentes.
A Inteligncia Computacional tem sido utilizada para desenvolver metodologias de deteco de falhas (Garcia-Alvarez
et 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 adequado para executar um diagnstico de sensores, uma vez
que se baseia em dados de entrada (medies via sensores)
corretos e pressupe que as entradas para o sistema real e
para o modelo estejam livres de falhas. Quando existe uma
diferena notvel entre a sada do sistema real e a sada do
modelo, supe-se que exista um problema no sistema real.
No monitoramento e diagnstico de sensores o foco diferente, isto , o objetivo encontrar sensores disfuncionais
(entradas do sistema) que provocam tais problemas (Najafi
et al., 2004).
Em sistemas tradicionais de monitoramento e diagnstico de
falhas utiliza-se a chamada redundncia por hardware, em
que mais de um sensor realiza uma mesma medida. Embora esta tcnica seja ainda utilizada por apresentar resultados confiveis (Theilliol et al., 2002), ela apresenta algumas
desvantagens, tais como o custo elevado de aquisio de um
maior nmero de sensores ou a disponibilidade de espao
requerido para a instalao dos mesmos. H tambm a chamada redundncia por software, que faz uso da estimativa
dos sinais por meio de um modelo matemtico. Esta metodologia tem a principal vantagem de no implicar em um
acrscimo de componentes ao sistema existente, reduzindo
os custos e minimizando o espao de instalao.
Sistemas como estes, cujo grau de complexidade maior,
tm sido pouco explorados no pas. Os primeiros projetos
de monitoramento de instrumentos de campo surgiram nos
Estados Unidos em plantas de Energia Nuclear (Upadhyaya
and Eryurek, 1992; Fantoni et al., 2003). No Brasil, as pesquisas concentraram-se em desenvolver modelos para autocorreo e auto-validao, utilizando tcnicas como Lgica
Fuzzy (Mendel, 1995) e Redes Neurais (Haykin, 1998), aplicadas ao monitoramento de um nico sensor ou ao monitoramento da planta (Pereira et al., 2006; Bueno, 2006; Ga-
H
T
.
.
.
.
.
.
Camada de
Entrada
Camada de
Mapeamento
Camada de
Estrangulamento
/
.
.
.
Camada de
Desmapeamento
Camada de
Sada
As redes neurais auto-associativas so inspiradas na metodologia NLPCA (nonlinear principal components analysis)
123
codificao e compresso das entradas, com uma posterior decodificao ou descompresso. Eventuais correlaes
ocultas existentes nos dados sero capturadas pela camada de
estrangulamento e os efeitos de no correlao produzidos,
por exemplo, por rudo nos sinais sero excludos nesta
camada (Kramer, 1991). Se a rede treinada com dados adequados, a sada para um novo dado da mesma distribuio do
conjunto de treinamento estar o mais prximo possvel do
estado livre de rudo. No existe um mtodo para decidir o
nmero de neurnios das camadas escondidas da RNAA. No
caso das camadas de mapeamento e desmapeamento, devese adotar uma dimenso suficientemente grande para garantir que a rede consiga recuperar os sinais de entrada, sem
risco de over-fitting. A validao cruzada tambm pode ser
usada para selecionar o nmero apropriado de neurnios nestas camadas (Marseguerra and Zoia, 2005a; Marseguerra and
Zoia, 2005b; Kramer, 1992).
3 MODELO DE MONITORAMENTO
Os modelos de monitoramento podem ser divididos em duas
grandes categorias: redundantes e no redundantes. Na modelagem redundante, um conjunto de sensores verifica o funcionamento de um mesmo processo. A mdia das leituras
dos vrios sensores pode ser utilizada, por exemplo, para se
obter o resultado. Em contraste, as tcnicas de modelagem
no redundantes se baseiam na estimao das medidas de instrumentos correlacionados (Hines and Garvey, 2007).
A seleo dos sensores que sero includos como entrada
de grande importncia em modelo no redundantes. Modelos
construdos com grupos de sensores cujas medidas apresentam correlaes altas geram menor erro de predio quando
comparados com os modelos que apresentam uma baixa correlao nos vetores de entrada (Hines et al., 2000; Najafi
et al., 2004; Kramer, 1991).
A Figura 2 mostra o diagrama de blocos do modelo de um
sistema de monitoramento on-line. O vetor de medidas dos
sensores X a entrada para o modelo de auto-correo, que
calcula a melhor estimativa do vetor de entrada. O vetor estimado comparado com o vetor de entrada, criando o vetor
de resduos r, que ser a entrada do modelo de lgica de deciso. Este determina se o resduo estatisticamente diferente
de 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
AUTOCORREO
Estado dos
sensores
O modelo proposto neste trabalho visa a calcular os parmetros estimados dos sensores empregando os dados histricos
de um conjunto de sensores correlacionados.
and Garvey, 2007); embora o nmero de neurnios nas camadas de mapeamento e desmapeamento afete o desempenho da rede, alteraes nos neurnios na camada de estrangulamento tero efeito mais significativo na qualidade da resposta. Para encontrar o nmero de neurnios nesta camada,
treinam-se e testam-se distintas topologias com a finalidade
de colher informaes para avaliar o nmero de neurnios
que fornea RNAA a capacidade de corrigir as medidas de
um sensor. A RNAA deve ser treinada como uma base de dados que apresente perturbaes, conforme explicado na seo
2.1. O nmero de neurnios nas camadas de mapeamento e
desmapeamento ento escolhido com a finalidade de se obter a resposta desejada livre de rudos (um nmero maior de
neurnios proporciona, em geral, uma filtragem superior). A
rede ter, ento, a capacidade de reconstruir os sinais de um
sensor com o auxlio da correlao existente com os outros
sensores.
Ao contrrio de estudos anteriores, neste trabalho foi avaliada a resposta fornecida pela rede para cada sinal reconstrudo. O treinamento da rede realizado com base na mdia
dos erros quadrticos (MSE). A deciso sobre o melhor modelo efetuada via validao cruzada (Haykin, 1998), com
base no valor mdio do erro percentual (MAPE). Na fase de
testes, tambm utilizada, para avaliao do desempenho, a
raiz quadrada do erro mdio quadrtico (RMSE). As expresses para estas mtricas so as seguintes:
M SE
RM SE
M AP E
Passo 4
(RNAAM)
PN
i=1
(xi x
i )
N
PN
(xi x
i )
N
N
1 X xi x
i
100%
N i=1 xi
i=1
Treinamento
Robusto
(1)
Modificado
Neste passo, almeja-se fornecer rede a capacidade de reconstruo de sinais que apresentam erros sbitos ao mesmo
tempo. O treinamento robusto proposto por Kramer capaz de reconstruir os sinais dos sensores que apresentam falhas, desde que estes no sejam simultneas, utilizando uma
ou mais redes neurais auto-associativas (Marseguerra and
Zoia, 2005b; Hines et al., 2000; Simani et al., 2000; Bhme
et al., 1999). A RNAA robusta consegue realizar a reconstruo dos sinais dos sensores quando um nico sensor do grupo
apresenta falha, mas, no momento de reconstruir o sinal com
falha, observam-se desvios nas sadas correspondentes aos
sensores que no apresentaram falhas.
Revista Controle & Automao/Vol.23 no.2/Maro e Abril 2012
125
Ln
=
=
p(x|H0 ) =
1
2 2
exp
(x )
2 2
(2)
1
1
(4)
Se a razo de verossimilhana for menor do que A, ela pertence regio TNM do sistema; se for maior do que B, pertence regio degradada do sistema (TDF ou TAF), e uma
falha registrada (cf. Figura 3).
Condio de
contorno B
Limiar
violado
Condio de
contorno A
Condio de
contorno B
4 ESTUDO DE CASO
O estudo de caso foi escolhido com o objetivo de mostrar
que a RNAAM realiza uma reconstruo on-line dos sinais
dos sensores quando estes apresentam desvio, offset e rudo.
Recorde-se que o modelo proposto da categoria no redundante, efetivo para realizar monitoramento de sensores em
nvel industrial, e apropriado para se avaliar estados de sensores ao longo do tempo.
O modelo foi avaliado com uma base dados de medidas de
sensores que controlam e realizam o monitoramento de um
motor de combusto interna acoplado a um alternador, que
gera a energia necessria para alimentar dois motores eltricos encarregados da trao das rodas traseiras de um caminho de minerao da empresa Barrick, no Peru.
Modelo
de
Auto-
Sensores do Grupo 1
T. de escape cilindro 1 LB T. de escape cilindro 5 LB
T. de escape cilindro 1 RB T. de escape cilindro 5 RB
T. de escape cilindro 2 LB T. de escape cilindro 6 LB
T. de escape cilindro 2 RB T. de escape cilindro 6 RB
T. de escape cilindro 3 LB T. de escape cilindro 7 LB
T. de escape cilindro 3 RB T. de escape cilindro 7 RB
T. de escape cilindro 4 LB T. de escape cilindro 8 LB
T. de escape cilindro 4 RB T. de escape cilindro 8 RB
de validao, a rede com maior capacidade de generalizao foi escolhida via validao cruzada. Ao final do treinamento, foi testada a capacidade da rede de se comportar
como um filtro ou corretor de sinais - frente s medidas
com rudo. A Figura 5 resume os resultados alcanados,
na fase de treinamento, para as diferentes topologias escolhidas e mostra o comportamento da RNAAM em funo
do nmero de neurnios na camada de estrangulamento (de
1 a 14), considerando-se diferentes nmeros de neurnios
nas camadas de mapeamento e desmapeamento (identificados por M no quadro superior direito).
0.8
M=18
M=19
M=20
M=21
M=22
0.7
Grupo 1
0.6
0.5
MAPE
Os sensores selecionados para formar este grupo, apresentados na Tabela 1, medem a temperatura na cmara de combusto interna dos oito cilindros do motor e apresentaram um
grau de correlao acima de 0,87.
0.4
0.3
0.2
Na elaborao de um algoritmo para buscar o menor nmero de neurnios na camada de estrangulamento, testaramse distintas topologias para a RNAAM, variando-se o nmero de neurnios nas camadas escondidas e inserindo-se
rudo nas medidas. Com base nos erros obtidos na etapa
0.1
0
10
12
14
ESTRANGULAMENTO
Bottleneck
127
128
Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
16-18-6-18-16
MSE (e-3) MAPE (%)
0,1500
0,0392
0,1030
0,1666
0,2010
0,2244
0,1100
0,1522
0,1400
0,1826
0,0200
0,0518
0,1920
0,1936
0,1700
0,2023
0,3400
0,3184
0,2010
0,2378
0,2180
0,2426
0,1520
0,2030
0,2800
0,2512
0,1890
0,2463
0,2660
0,2495
0,1950
0,2416
RMSE
0,7618
2,5842
3,0304
2,2418
2,6020
1,0336
2,6275
2,8081
4,3957
3,3871
3,6817
2,9606
3,6144
3,6886
3,4549
3,4527
Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
16-18-6-18-16
MSE (e-3) MAPE (%)
0,0017
0,6233
0,0002
0,2131
0,0002
0,2208
0,0001
0,153
0,0003
0,2775
0
0,0466
0,0002
0,1864
0,0002
0,2093
0,0003
0,3172
0,0005
0,3882
0,0002
0,2481
0,0004
0,337
0,0002
0,2357
0,0002
0,2335
0,0005
0,3425
0,0002
0,2586
RMSE
8,0308
3,2284
3,0248
2,2289
3,7958
0,8067
2,5327
2,8926
4,315
5,3334
3,7299
4,5454
3,3597
3,4417
4,5410
3,8134
todos os sensores, considerando-se os sensores 1 (Temperatura de escape cilindro 1 LB), 5 (Temperatura de escape
cilindro 3 LB) e 11 (Temperatura de escape cilindro 6 LB)
como aqueles com falhas. A Figura 7 apresenta a resposta
da RNAAM1 para os sensores 1 e 2 frente aos desvios nos
sensores 1, 5 e 11. Pode-se perceber que a RNAAM1 consegue efetuar a auto-correo das medidas dos sensores que
apresentaram desvios com um valor de MAPE inferior a 1%.
Contrastando-se os valores das Tabelas 3 e 4, observa-se que
a mxima diferena entre os dois casos apresentada pelo
sensor 5 - aumento do MAPE de 0,277% para 0,729%.
Finalmente, testou-se a RNAAM1 com rudo aleatrio de
20% da faixa de medio, que pode ser considerado como
causado por um evento externo que interfere no hardware
do sensor. Como exemplo, foi inserido nos sinais do sensor
1 (Temperatura de escape Cilindro 1LB) um rudo aleatrio
gaussiano com mdia 0 e desvio padro equivalente a 40 F.
A Figura 8 mostra que a RNAAM1 consegue filtrar o rudo
satisfatoriamente.
Tabela 4: Desvio em 100 unidades dos sensores 1, 5 e 11.
Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
16-18-6-18-16
MSE (e-3) MAPE (%)
0,0019
0,6550
0,0002
0,2550
0,0002
0,2366
0,0004
0,2622
0,0021
0,7299
0
0,0880
0,0006
0,3436
0,0003
0,2727
0,0005
0,3862
0,0008
0,4989
0,0003
0,2991
0,0006
0,4446
0,0003
0,2389
0,0004
0,4016
0,001
0,5091
0,0006
0,4262
RMSE
6,4436
3,7725
3,2450
4,0100
7,9174
1,4911
4,4874
3,7162
5,2263
6,6872
4,5121
6,0273
3,6136
5,6880
6,5595
6,1295
Grupo 2
Os sensores do Grupo 2 (Tabela 5) apresentaram um grau de
correlao de aproximadamente 0,6.
Seguindo a metodologia proposta na seo 3, foram testadas,
primeiramente, distintas topologias para se obter o melhor
N
1
2
3
4
5
6
7
Sensores Grupo 2
P. do ar na sada do turbo de alta esquerdo
P. do ar na sada do turbo de alta direito
Temperatura do ar no aftercooler de frente
esquerdo
Temperatura do ar no aftercooler posterior
esquerdo
Temperatura do ar no aftercooler de frente direito
Temperatura do ar no aftercooler posterior direito
Presso do refrigerante motor
Grupo II
Sensor
1
2
3
4
5
6
7
MSE
0,0060
0,0056
0,0019
0,0077
0,0037
0,0033
0,0087
7-15-3-15-7
MAPE (%)
0,5881
0,5901
0,4154
0,3233
0,6845
0,4406
0,5917
RMSE
0,3075
0,2907
0,8958
0,6789
1,4887
0,8563
0,3823
O passo seguinte foi testar a capacidade da rede de reconstruir os sinais frente a um sensor com falha. Para tal, foram
Revista Controle & Automao/Vol.23 no.2/Maro e Abril 2012
129
900
Sem
Calibrado
Defeito
800
RNAA M
700
Descalibrado
Defeituoso
300
320
340
360
380
400
Tempo (min)
420
440
460
480
1200
1100
1000
Sem
Calibrado
Defeito
900
RNAA M
320
340
360
380
400
Tempo (min)
420
440
460
480
Figura 6: Resposta dos sensores 1 e 2 frente ao desvio total de 100 F no sensor 1 (Temperatura de escape cilindro 1LB).
Sem Defeito
1200
1000
Sem
Defeito
Calibrado
RNAAM
Defeituoso
Descalibrado
800
50
100
150
200
250
Tempo (min)
300
350
400
450
1100
1000
900
Calibrado
Sem
Defeito
RNAAM
Descalibrado
800
50
100
150
200
250
Tempo (min)
300
350
400
450
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 sensores. A Figura 9 apresenta as sadas da RNAAM2 para os
sensores 1 (Presso da sada do turbo de alta esquerdo) e 2
(Presso da sada do turbo de alta direito), considerando- se
um offset de 4 psi no sensor 2. A Tabela 7 resume os resultados.
Finalmente, a RNAAM2 foi testada para mltiplas falhas do
tipo offset. As medidas dos sensores 2, 4, 5, 6 e 7 (escolhidos aleatoriamente) foram corrompidas com um offset de 4
unidades ao mesmo tempo. A Tabela 8 resume os resultados
obtidos. Comparando-se os resultados obtidos nos testes para
falhas em um nico sensor e para falhas mltiplas, verifica-se
que a RNAAM2 consegue reconstruir os sinais dos sensores
com um MAPE menor do que 2%. Alm disso, a mdia da
diferena entre este caso e aquele isento de perturbaes nos
130
Sem
Calibrado
defeito
Defeituoso
Descalibrado
RNAA
1100
1000
900
800
700
600
260
270
280
290
300
Time(min)
Tempo
310
320
330
340
350
Objetivo
RNAAM
psi
36
34
32
30
28
210
220
230
240
250
260
270
280
Tempo(min)
Presso da sada do turbo de alta direito
290
36
310
Objetivo
Offset
RNAAM
34
psi
300
32
30
28
26
120
140
160
Tempo(min)
180
200
220
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 Tabela 10, a seguir, resume os resultados alcanados. Ressaltese que, devido baixa correlao nas medidas dos sensores, o
nmero de neurnios na camada de estrangulamento maior
do que nos grupos 1 e 2, quando comparado ao nmero de
entradas da rede.
131
Grupo II
Sensor
1
2
3
4
5
6
7
MSE
0,0077
0,0035
0,0084
0,0127
0,0036
0,0058
0,0048
7-15-3-15-7
MAPE (%)
0,924
0,6020
0,8603
0,3595
0,5663
0,4390
0,4726
RMSE
0,4278
0,2840
1,6134
0,7217
1,2685
0,9110
0,2361
Grupo II
Sensor
1
2
3
4
5
6
7
MSE
0,0089
0,005
0,0015
0,0100
0,0044
0,0065
0,004
7-15-3-15-7
MAPE (%)
1,7353
1,2726
0,3847
0,4628
0,8208
0,6704
0,6408
RMSE
0,7615
0,5651
0,8300
0,8500
1,6940
1,2708
0,2405
Grupo III
Sensor
1
2
3
4
5
6
7
8
9
9-15-7-15-9
MSE (e-6) MAPE (%)
0,2190
0,0165
0,2078
0,0745
0,1389
0,2133
0,1234
0,2492
0,2568
0,0748
0,0506
0,0425
0,3123
0,0378
0,2808
0,4182
0,1456
0,0343
RMSE
0,0329
0,0068
0,1666
0,1816
0,0046
0,0937
0,0840
0,2338
0,0560
Grupo III
Sensor
1
2
3
4
5
6
7
8
9
MSE
0,0000
0,0000
0,0001
0,0002
0,0000
0,0000
0,0000
0,0003
0,0000
9-15-7-15-9
MAPE (%)
0,0122
0,0578
0,1696
0,2210
0,0537
0,0582
0,0285
0,2501
0,0707
RMSE
0,0357
0,0055
0,1647
0,2087
0,0039
0,1489
0,0699
0,2011
0,1410
N
1
2
3
4
5
6
7
8
9
Sensores Grupo 3
Presso no combustvel ferrovirio
Temperatura do leo
Presso do leo na entrada do filtro
Presso do leo na sada do filtro
P. diferencial devido aos filtros de leo
Presso de gases no crter
Temperatura do refrigerante motor
Temperatura da entrada de ar do compressor
Temperatura do ECM do motor
gura 11(b) mostra uma viso ampliada deste teste. Na Tabela 12 so resumidos os resultados para os 9 sensores da
RNAAM3 .
Finalmente, a RNAAM3 foi testada para mltiplas falhas: as
medidas de vrios sensores foram corrompidas com um offset
de 5 unidades ao mesmo tempo. A Figura 12 apresenta as
respostas da RNAAM3 para falhas simultneas nos sensores
1, 3, 7 e 9, e na Tabela 13 so resumidos os resultados para
estas falhas.
Comparando-se os resultados dos testes sem perturbaes e
para falhas mltiplas, verifica-se que a RNAAM3 consegue
reconstruir os sinais dos sensores com um MAPE menor do
que 2%. Alm disso, a mdia da diferena entre esses casos
e quando no existem perturbaes nos sensores de 0,34%.
Portanto, os erros esto dentro do limite estabelecido para o
conjunto de sensores analisado. Uma concluso fundamental, e que atesta a validade da proposta deste trabalho, que
psi
155
150
145
Calibrado
Sem
Defeito
Defeituoso
Descalibrado
140
135
130
RNAA
0
20
40
60
80
Tempo
Time(min)
100
120
Figura 10: Respostas da RNAA2 frente a uma falha no sensor 1 (Offset = 4 psi).
Temperatura do ECM
160
Calibrado
Sem
defeito
Descalibrado
Defeituoso
150
RNAA
140
MSE
0
0
0,0001
0,0001
0
0
0
0
0,0018
9-15-7-15-9
MAPE (%)
0,0119
0,0408
0,2010
0,2364
0,0338
0,0382
0,0202
0,1382
0,9291
130
RMSE
0,0223
0,0040
0,1591
0,1780
0,0020
0,0910
0,0452
0,0884
1,5752
120
Grupo III
Sensor
1
2
3
4
5
6
7
8
9
110
100
90
80
70
60
500
550
600
650
700
750
800
850
900
950
1000
Tempo
Time(min)
(a)
Temperatura do ECM
160
Calibrado
Sem defeito
Descalibrado
Defeituoso
RNAA
150
140
130
120
110
100
90
80
Grupo III
Sensor
1
2
3
4
5
6
7
8
9
MSE
0,0063
0,0058
0,1267
0,2235
0,0160
0,0188
0,0217
0,2588
0,0165
9-15-7-15-9
MAPE (%)
0,0118
0,0520
0,1596
0,2087
0,0504
0,0553
0,0277
0,2309
0,0650
RMSE
0,0357
0,0055
0,1647
0,2087
0,0039
0,1489
0,0699
0,2011
0,141
as trs redes apresentaram excelente capacidade de generalizao. Quando treinadas com perturbaes em medidas de
apenas dois sensores, por exemplo, foram capazes de recons-
730
740
750
760
770
780
790
800
810
Tempo
Time(min)
(b)
Figura 11: Respostas da RNAAM3 frente a uma falha de desvio no sensor 9 (Desvio Final = 10 F).
133
160
95
155
90
150
85
psi
psi
165
145
80
140
130
75
Objetivo
RNAA
Offset
135
0
20
40
60
Tempo(min)
80
100
Objetivo
RNAA
Offset
70
65
120
20
40
60
Tempo (min)
80
100
120
Temperatura do ECM
190
150
140
180
130
120
170
110
100
Objetivo
RNAA
Offset
160
150
20
40
60
Tempo (min)
80
100
Objetivo
RNAA
Offset
90
80
120
70
20
40
60
Tempo (min)
80
100
120
5 CONCLUSES
Este artigo apresentou em detalhes a proposta de um modelo
de monitoramento on-line para sensores industriais baseado
134
REFERNCIAS
Afonso, P., Ferreira, J. and Castro, J. (1998). Sensor fault
detection and identification in a pilot plant under process control, Chemical Engineering Research and Design 76(4): 490498.
Temperatura do ECM
150
F
140
130
100
200
300
400
500
600
700
800
900
SPRT
Resduo
3
1
2
0.5
1
0
0
0
200
400
600
Tempo (min)
800
1000
200
400
600
Tempo (min)
800
1000
Figura 13: Resposta do MLD frente ao erro no sensor 9/Grupo 3 (offset = 2 F).
Temperatura de escape cilindro 1LB
1200
1000
800
600
100
200
300
400
500
600
700
Residuo
800
SPRT
900
1000
200
1
0
-200
0.5
0
0
200
400
600
Tempo (min)
800
1000
200
400
600
Tempo (min)
800
1000
Figura 14: Resposta do MLD frente ao desvio no sensor 1/Grupo 1 (5 F por minuto).
Galotto, L., Bose, B., Leite, L., Pereira Pinto, J., Borges da Silva, L. and Lambert-Torres, G. (2007). Autoassociative neural network based sensor drift compensation in indirect vector controlled drive system, 33rd
Annual Conference of the IEEE Industrial Electronics
Society, 2007. IECON 2007., pp. 10091014.
Garcia-Alvarez, D., Fuente, M. J., Vega, P. and Sainz, G.
(2009). Fault detection and diagnosis using multivariate
statistical techniques in a wastewater treatment plant,
7th IFAC International Symposium on Advanced Control of Chemical Processes (2009), pp. 952957.
Revista Controle & Automao/Vol.23 no.2/Maro e Abril 2012
135
137