Inteligncia Artificial em Controle e Automao EE-214-2011/2 1

REDES NEURAIS RECORRENTES APLICADAS A DETECO DE FALHAS

EM SENSORES
Joo Paulo Vieira
INSTITUTO TECNOLGICO DE AERONUTICA ITA
DEPTO DE SISTEMAS E CONTROLE
PRAA MARECHAL EDUARDO GOMES, 50 VILA DAS ACCIAS CEP 12228-900
SO JOS DOS CAMPOS, SP, BRASIL


Resumo: Este trabalho descreve um sistema de
deteco de falhas em sensores, utilizando a
anlise dos resduos de predio realizada por
redes neurais recorrentes. Um conjunto de dados
de um sistema de aquecimento utilizado para
treinamento da rede neural e avaliao do
sistema de deteco. Falhas tpicas em sensores
como problemas no circuito de condicionamento,
curto-circuito e deriva de offset so simuladas.
Palavras Chaves: deteco de falhas, modelos
narx neurais, redes neurais artificiais.

1 INTRODUO
A necessidade dos processos atenderem
requisitos de qualidade, segurana e ambientais
tm levado a constantes avanos tecnolgicos.
Associado a estes avanos, h o
desenvolvimento de sistemas com um nmero
cada vez maior de subsistemas. Estes sistemas
possuem alm dos requisitos de desempenho,
requisitos de segurana e confiabilidade.
Os sub-sistemas esto sujeitos a falhas
individuais, podendo levar o sistema a uma falha
total, representando assim, riscos de perdas
econmicas e humanas. Nesse contexto, os
sistemas de Deteco e Identificao de Falhas
(FDI Fault Detection and Isolation) (Blanke et
al., 1997) surgem com o objetivo de prover uma
rpida deteco e isolao da falha. Desta forma,
estando o processo operando em uma regio
controlvel aps a falha, procedimentos de
reconfigurao do sistema ou controlador podem
evitar a progresso dos eventos anormais,
reduzindo eventuais perdas.
Entre as potenciais falhas nos sistemas
esto falhas nos sensores, que demandam uma
rpida deteco uma vez que os sensores
provem sinal de realimentao para o sistema
de controle, e uma falha em tais elementos pode
levar a aes de controle incorretas e falha do
sistema como um todo. As tcnicas
convencionais so baseadas em sistemas com
redundncia fsica, porm estas esto
associadas a aumento de custos. Tcnicas
alternativas redundncia fsica so baseadas
em modelos matemticos do sistema, o que na
maioria das vezes no conhecido a priori.
Tcnicas baseadas somente em dados de
entrada e sada mostraram-se extremamente
teis nesses casos. A deteco de falhas
utilizando redes neurais tratada em (Pinto et.
al., 2005), (Hines et. al., 2000) e (Medeiros, J. P.
et. al., 2008). Nesse trabalho utilizada uma
estrutura de rede neural recorrente para
estimao da sada com informaes passadas
de entrada e sada. Comparam-se as predies
realizadas pela rede, com o sinal de sada real do
sistema a cada instante de amostragem. A
diferena entre sada estimada e sada real
utilizada para deteco de falha no sensor. A
metodologia aplicada a um sensor de
temperatura de um processo trmico real.
O artigo trata de aspectos relacionados
identificao e validao do modelo neural,
utilizao de resduos de predio para deteco
de falhas e aplicao da metodologia a dados
reais de um processo trmico.
2 PREDIO UTILIZANDO REDES NEURAIS
Redes neurais so utilizadas amplamente
em identificao de sistemas estticos, como
reconhecimento de padres e ajuste de funes
no lineares. Em (Narenda e Mukhopadhyay,
1990) foi proposta a utilizao de redes neurais
para identificao de sistemas, dada sua
capacidade de generalizao e pelo fato de
serem aproximadores universais. As redes com
recorrncia externa descritas em (Menezes e
Barreto, 1997) apresentam uma estrutura que
Inteligncia Artificial em Controle e Automao EE-214-2011/2 2

permite sua utilizao em identificao de
sistemas. Estas redes, consistem perceptrons de
mltiplas camadas estticas, em que as entradas
da rede so valores passados de entrada e
sada. Os modelos obtidos por essa estrutura so
denominados narx neurais, dado que o modelo
obtido tem a estrutura
() [ ( ) ( ) (

)
( ) (

) ] (),
sendo uma funo no linear, () e (),
sada e entrada respectivamente,

os
atrasos associados, o atraso de tempo do
sistema e () incertezas e rudos.
A estrutura de rede utilizada no trabalho
mostrada na figura 1. O modelo possui uma
entrada e uma sada e os respectivos operadores
de atraso na entrada, que formam um janela
deslizante dos dados passados de entrada e
sada.


Figura 1: Estrutura do modelo narx neural.

3 DETECO DE FALHAS EM SENSORES
Detectar falhas em sensores indicar que
o mesmo apresenta mal funcionamento, ou seja,
a sada que o sensor apresenta no est
relacionada de forma correta com a varivel fsica
de interesse, a qual est sendo medida. Entre os
diversos tipos de falhas apresentadas pelos
elementos sensores/ transmissores pode-se citar
como exemplo: quebra de conexo em um
termopar, placa de orifcio com bloqueio total,
curto-circuito no circuito de condicionamento de
sinal, etc. Essas falhas, mesmo em sensores
diferentes apresentam padres similares na
sada, assim, podem ser classificadas pelo
padro do sinal de sada como:
Valor prximo a zero: o sensor apresenta
apenas um valor constante e prximo a
zero em decorrncia de quebra de cabos
ou de queima de componentes eletrnicos
no circuito de condicionamento de sinal;
Valor de fundo de escala: sensor
apresenta valor constante prximo ao
valor de fundo de escada do instrumento.
Essa falha pode ser decorrente por
exemplo, de curto-circuito no cirucito de
condicionamento;
Deriva de offset: Sinal com offset
crescente ou decrescente adicionado
sada do sensor. Esse tipo de falha pode
ser ocasionada por envelhecimento de
componentes eletrnicos.
Para deteco da falha no sensor foi
utilizado o erro de predio um passo a frente, ou
seja, os resduos da predio realizada pelo
modelo narx neural. Os resduos so dados por:
() () ()
sendo () a estimao feita pela rede no
instante para o instante e () a sada do
do sensor. A figura 2 mostra o diagrama funcional
do sistema de deteco de falhas implementado.

Figura 2: Diagrama funcional do sistema de
deteco de falha.

4 IMPLEMENTAO E RESULTADOS
Os dados utilizados para implementao,
so de um sistema de aquecimento com
elemento sensor do tipo termopar com circuito de
condicionamento de sinal, os dados esto
disponveis em (MACSIN, 2011). Os dados
foram amostrados com

. Metade dos
dados foram utilizados para identificao e
metade para validao.
Para o treinamento da rede utilizado um
conjunto de dados de entrada e sada da planta
operando normalmente, sem ocorrncia de falha.
A figura 3 mostra os dados de identificao
utilizados.
Para treinamento da rede foi utilizado o
Neural Network Based System Identification
TOOLBOX (Nrgaard, M. 2000). O toolbox
permite a determinao da estrutura da rede,
treinamento e validao. A determinao da
estrutura baseada no trabalho de (Nrgaard,
et. al., (2000)). Neste trabalho, a rede treinada
Inteligncia Artificial em Controle e Automao EE-214-2011/2 3
de forma a realizar predices um passo a frente.
A estrutura da rede treinada foi:
Rede Multilayer Perceptron com 1
camada escondida;
Funo de ativao dos neurnios da
camanda escondia: tansig(x);
Funo de ativao do neurnio de sada:
linear;
Mximo atraso da varivel de entrada

e de sada

.

Figura 3: Dados de identifao utilizados.
A validao do modelo narx neural obtido
foi feita pela anlise dos erros de predio um
passo a frente e pela anlise estatstica dos
resduos de identificao. A validao estatstica
consistiu em verificar a autocorrelao dos
resduos e a correlao cruzada com a entrada
(), de forma a verificar a existncia de
dinmicas no modeladas pela rede. A figura 4
mostra o resultado da predio um passo a frente
e os resduos de identificao. A figura 5 mostra
a avaliao estatstica dos resduos. Percebe-se
que a rede modelou corretamente a dinmica do
sistema, sem incorporar informaes indesejadas
como a de rudo existente nos dados, fato esse
comprovado pelo valor prximo a zero da
autocorrelao dos resduos.
O erro mdio quadrtico de predio foi

( () ())

= 0,017.
Uma vez obtido o modelo e o mesmo
tendo sido validado, a anlise dos resduos foi
realizada de forma a verificar sua eficcia para
indicao de falha nos sensores. Simulou-se as
seguintes falhas, modificando-se diretamente os
dados:
: Inserida falha com
sada do sensor assumindo valor prximo
a zero de forma abrupta;
: Falha com sada do
sensor assumindo valor de fundo de
escala de forma abrupta;
: Deriva do offset do
sensor com taxa de 0,04 /Instante de
amostragem.

Figura 4: Predio um passo a frente e resduos
de predio.

Figura 5: Anlise estatstica dos resduos de
identificao.
A figura 6 mostra os resultados do
sistema simulado com a incluso das falhas no
sensor. Os resduos da predio um passo a
frente so mostrados na figura 7. Pode-se
observar que nos instantes de ocorrncia de
falha, tem-se um aumento do erro de predio
em todos os casos de falhas inseridas. Para
diagnstico da falha pela anlise do resduo foi
estabelecido um threshold de 0,3. Assim, nos
instantes de ocorrncia das falhas, os resduos
apresentam valores maiores que o limiar
estabelecido, sendo indicado na sada do bloco
de diagnstico o instante da ocorrencia. A figura
8 mostra a sada do bloco de diagnstico, com a
indicao das falhas. Para a falha de deriva do
offset, inserida a partir do instante ,
somente a partir do instante , houve sua
1000 2000 3000 4000 5000 6000 7000
0.2
0.4
0.6
0.8
1
T (s)
u
(
k
)
1000 2000 3000 4000 5000 6000 7000
0.2
0.4
0.6
T (s)
y
(
k
)
0 100 200 300 400 500 600 700
0
0.5
1
time (samples)
Output (solid) and one-step ahead prediction (dashed)
0 100 200 300 400 500 600 700
-0.04
-0.02
0
0.02
0.04
Prediction error (y-yhat)
time (samples)
0 5 10 15 20 25
-0.5
0
0.5
1
lag
Auto-correlation function of prediction error
-25 -20 -15 -10 -5 0 5 10 15 20 25
-0.1
-0.05
0
0.05
0.1
lag
Cross-correlation coef. of u1 and prediction error
Inteligncia Artificial em Controle e Automao EE-214-2011/2 4

deteco, fato esse devido sua pequena
amplitude inicial. Para avaliar a robustez do
algoritmo de deteco de falhas a ruidos, foi
inserido rudo branco com variancia

nos dados. Para este caso, os resultados foram
semelhantes ao caso anterior, em que tinha-se
apenas o rudo inicialmente contido nos dados.
As figura 9 e 10 mostram os resultados obtidos.
Para nveis de rudo com maior amplitude,
alteraes no nvel de threshold faz-se
necessrio para evitar alarmes espurios.

Figura 6: Simulao do sistema com falha e
predio do modelo narx neural.


Figura 7: Resduos de predio 1 passo a frente.

Figura 8: Sada do bloco de diagnstico.

Figura 9: Predio um passo a frente e resduos
para rudo aditivo de varincia

.

Figura 10: Sada do bloco de diagnstico.
5 CONCLUSO
A utilizao de redes neurais recorrentes
para modelagem de sistemas dinmicos,
apresentou resultados satisfatrios, resultando
em pequenos erros de predio. A utilizao dos
erros de predio na deteco de falhas em
sensores, como implementado no trabalho,
apresenta a vantagem de no ser necessrio o
conhecimento a priori do modelo matemtico do
sistema. Esta metodologia torna-se assim
atrativa, uma vez que na maioria dos casos
dispe-se somente dos dados de entrada e
saida. A metodologia desenvolvida no trabalho
detectou corretamente as falhas mesmo
inserindo-se rudo nos dados. Como alternativa
para aumento da eficcia do sistema de
deteco, poderia-se utilizar os resduos da
predio k-passos a frente, o que acredita-se
levar a melhores resultados para a deteco de
falhas incipientes.

REFERNCIAS BIBLIOGRFICAS
[1] Blanke, M., Izadi-Zamanabadi, R., Bogh, S. A.
and Lunau, C. P., Fault-tolerant Control Systems
- A Holistic View, 5 (5): 693 702, 1997.
0 100 200 300 400 500 600 700
-1
-0.5
0
0.5
1
1.5
2
2.5
time (samples)
Output (solid) and one-step ahead prediction (dashed)
0 100 200 300 400 500 600
-1.5
-1
-0.5
0
0.5
1
1.5
Prediction error (y-yhat)
time (samples)
0 100 200 300 400 500 600 700
0
0.2
0.4
0.6
0.8
1
1.2
Fault in sensor
Faults time (samples)
F
a
u
l
t

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

Inteligncia Artificial em Controle e Automao EE-214-2011/2 5
[2] Hines, J. W., Gribok, A. V., Attieh, I. and Uhrig,
R. E. (2000). Improved methods for on-line
sensor calibration verification, VIII International
Conference on Nuclear Engineering.

[3] MACSIN (2011),
http://www.cpdee.ufmg.br/~MACSIN, Acesso em
05 de Dezembro de 2011.
[4] Medeiros, J. P., Melo, J. D., Neto, A. D. D.,
Machado, V. P. (2008) Algoritmo de Predio
Baseado em Redes Neurais Recorrentes
Aplicado ao Monitoramento de Medidas em
Sensores, XVII Congresso Brasileiro de
Automtica, Juiz de Fora (MG).
[5] Menezes, J. M. P. and Barreto, G. A. (2006). A
new look at nonlinear time series prediction with
narx recurrent neural network, Proceedings of
SBRN 06, IEEE.
[6] Narenda, K. S. e Mukhopadhyay, S. (1990).
Identification and Control of Dynamic Systems
Using Neural Networks. IEEE Transactions
Neural Networks ,1: 4-27.
[7] Nrgaard, M., Ravn, O.,Poulsen, N. K., and
Hansen, L. K. (2000): Neural etworks for
Modelling and Control of Dynamic Systems,
Springer- Verlag, London, UK, 2000.
[8] Nrgaard, M. (2000). Neural Network Based
System Identification TOOLBOX. Technical
Report. Technical University of Denmark.
[9] Pinto, J. O. P., Pinto, A. M. A. C., Tatibana, G.
S., Sanches, R. O., Carrasco, B. N., Flora, N. and
Hines, J. W. (2005). Uma nova estratgia de
modelagem para monitoramento de instrumentos
e verificao de calibrao usando redes neurais
artificiais, III Congresso Brasileiro de P&D em
Petrleo e Gs.