Impl´ementation

O agente de correção tem como função corrigir o sinal do nível do tanque a partir do momento em que uma falha qualquer ocorre, e enquanto houver a ausência de falha o mesmo estará desabilitado. Além da correção de sinal, o agente de correção também filtra o sinal à falha que está alterando o sinal. Lembrando que a autorização para ativar a correção do sinal é originada pelo agente de Decisão, alterando a configuração de blocos através da estratégia de realocação dinâmica de blocos funcionais.

Para uma parte do desenvolvimento do agente de correção, foi utilizado o Simulink do Matlab, seguindo o mesmo procedimento de projeto e testes dos agentes de predição e diagnóstico. A Figura 57 exibe o diagrama de blocos desenvolvido no Simulink para executar a correção das falhas no sensor.

Figura 57 – Diagrama de blocos da Correção de Falhas no Simulink.

A Figura 58 apresenta o sinal com as falhas filtradas, onde as falhas estão sendo aplicadas de forma sequencial e encontram-se enumeradas de acordo com o tipo de falha diagnosticada pelo classificador fuzzy. Na Figura 59 apresenta a sobreposição dos sinais do nível do tanque estimado e o nível do tanque com falhas. E na Figura 60 apresenta o sinal do nível do tanque corrigido.

Figura 58 – Falhas filtradas.

Figura 60 – Sinal do nível do tanque corrigido.

Após a etapa de testes e simulações no Matlab, o corretor de sinal foi embarcado na rede industrial Foundation Fieldbus. No ambiente da rede industrial a etapa de correção de falhas foi desenvolvida com a seguinte lógica de blocos, mostrado na Figura 61. O resultado com o sinal corrigido é fornecido na saída do bloco Somador_B.

Informações técnicas:

O bloco ns1, do tipo ARTH, representa o sinal estimado do nível do tanque, originado na saída do Preditor Neural – FF. O bloco AI_TANQUE1, do tipo Analog Output, fornece o nível real do tanque 1, adquirido pelo instrumento LD302. O bloco Entrada_com_Falhas, do tipo CONSTANT, faz parte juntamente com o bloco Seletor_de_Entrada, do tipo ISEL, da estratégia de realocação dinâmica de blocos. Onde o bloco Seletor_de_Entrada está configurado para selecionar a primeira entrada melhor (algoritmo de seleção em first good). O bloco Somador_A, do tipo ARTH, tem como função filtrar as falhas ocorridas, para depois enviar ao bloco Somador_B, também do tipo ARTH, e executar a correção do sinal do tanque.

Para realizar a estratégia de alocação, a correção de sinal utiliza duas estratégias, a alteração via OPC do agente de Decisão dos valores de saída do bloco Seletor_de_Entrada e Somador_A, desta forma desabilitando o calculo da correção da correção do sinal enquanto não houver falhas. E a segunda estratégia é alterar o parâmetro MODE_BLK do bloco Entrada_com_Falhas de Auto para OutOfService, assim concluindo a habilitação ou “desabilitação” do agente de correção.

A Figura 62 apresenta os gráficos da etapa de correção do sinal do tanque. O primeiro gráfico exibe o sinal com as falhas filtradas, na cor rosa. E no segundo gráfico apresenta a sobreposição do sinal do tanque corrigido, com o sinal do tanque com falhas do nível do tanque. Onde apresenta a atuação da correção apenas quando o agente de decisão detecta a falha, ou seja, o agente de correção é somente habilitando quando a falha é detectada pelo agente de decisão, e durante a ausência de falha fica o corretor desabilitado.

Figura 62 - Gráficos da correção do sinal do nível.

5.3 _{Resultados Adicionais}

A Figura 63 demonstra um teste de predição do nível do tanque variando a tensão (cor amarela) aplicada na bomba. Percebe-se que no inicio da predição ocorrem erros de predição (cor verde) na faixa de 0.5 a 2 cm.

A Figura 64 demonstra o detector e diagnosticador de falhas atuando sem a presença de falhas, nível 4 (ausência de falha no sinal de cor preta). No segundo gráfico são as entradas fuzzy (variação do sinal real e do sinal estimado).

Figura 64 - Gráfico com o sistema de DDF atuando com ausência de falhas. A Figura 65 apresenta o painel de monitoramento após uma sequência de falhas simuladas e o histórico de falhas preenchido.

A Figura 66 apresenta a tela de conexão OPC com a lista de servidores OPC instalados no host.

Figura 66 - Lista de servidores OPC na tela de conexão OPC.

A Figura 67 e Figura 68 apresentam o menu com seus itens e atalhos, como Avançar Tab e Voltar Tab, para maior usabilidade do usuário.

Figura 67 - Menu e seus itens na Tela Inicial.

Para planejar a criação dos gráficos no software desenvolvido em Java, foi criado um supervisório utilizando o software Elipse SCADA e sua comunicação OPC, com a intenção de planejamento de todos os gráficos possíveis e necessários para fazer parte do software de supervisão e decisão. Como já possuía certo conhecimento em supervisórios SCADA e ter conhecimento de sua fácil configuração, foi de grande utilidade fazer uso desse sistema antes de implementá-lo em Java.

Capítulo 6

Considerações Finais

Este trabalho apresentou um sistema de detecção e diagnóstico de falhas efetuando a correção do sinal com falhas, baseando-se no conceito de agentes inteligentes, com uma arquitetura de multiagentes, para planejamento do projeto foi obtida a devida organização e padronização no projeto. Além do uso da técnica de agentes inteligentes, foram utilizadas outras técnicas de sistemas inteligentes como redes neurais artificiais e sistemas fuzzy (classificação fuzzy). E indiretamente foram estudadas outras técnicas como algoritmos genéticos, controladores fuzzy e sistemas especialistas. Todas essas técnicas de inteligência artificial somadas ao ambiente de redes industriais Foundation Fieldbus (e demais protocolos), estudados e feito uso dos dispositivos e instrumentos de campo. Além da programação de aplicativos Desktop na linguagem Java, programação de simulações em Matlab e desenvolvimento de supervisórios em Java e SCADA.

Para o projeto foi realizado uma série de estudos bibliográficos, pois grande parte dos assuntos propostos já foram temas de trabalhos passados e são encontrados na literatura, principalmente por antigos alunos da mesma instituição UFRN. Assim, foi possível abranger tantas técnicas em um mesmo trabalho, mostrando resultado de anos de pesquisa por parte dos orientadores.

De forma a contribuir, esta pesquisa elaborou no projeto um software para supervisão e auxílio à configuração de redes neurais aplicadas ao ambiente Foundation Fieldbus. Além de elaborar uma nova estratégia para realocação dinâmica de blocos a partir do uso do bloco ISEL e alteração via OPC do parâmetro MODE_BLK dos blocos funcionais. Também provou a eficácia do classificador fuzzy na rede industrial FF.

Dentro das dificuldades encontradas na elaboração do projeto, pode-se destacar a questão do conceito de correção de falhas no sensor, mas sim a correção do sinal com falhas vindas do sensor. Outro ponto foi a realocação dinâmica de blocos para realizar a simulação das falhas, pois o método utilizado para simular as falhas foi computacional, através de modelos de cada falha enviados via comunicação OPC para o bloco funcional. Portanto foi necessário a criação de outros dois blocos, um para receber o sinal simulado com falhas e outro bloco ISEL para selecionar a entrada, fazendo uma realocação dinâmica de blocos alterando o MODE_BLK.

Como perspectivas futuras, levando em questão o software de supervisão e decisão, cabe a implementação, no painel de configurações, as abas de Classificador Fuzzy, Correção de Falhas e Realocação Dinâmica de Blocos de forma a configurar e monitorar o andamento dos processos. Também há a necessidade de deixar mais genérico o painel que configura a rede neural via OPC, ou seja, permitir que o usuário tenha liberdade de usá-la em diversas arquiteturas e, que o software possa configurá-lo. Outro ponto é melhorar a interface homem-máquina para o usuário.

O classificador fuzzy elaborado contém quatro tipos de falhas, ausência de falha, zero, fundo de escala e deriva. Através de pesquisas bibliográficas também é viável adicionar o tipo de falha de pico ao classificador fuzzy.

Lista de Publicações

Bezerra, L. G., Neto, A. D., Martins, D. L., & Melo, J. D. (Novembro de 2014). Detection and Diagnosis of Failures in Sensors of an Industrial Network Foundation Fieldbus Using Intelligent Systems. Computer Science and Applications, I, 284-292.

Bezerra, L. G., Neto, A. D., Melo, J. D., & Martins, D. L. (2013). Detecção e Diagnóstico de Falhas em Sensores de uma Rede Industrial Foundation Fieldbus Utilizando Sistemas Inteligentes. XI Simpósio Brasileiro de Automação Inteligente - SBAI. Fortaleza.

Referências

Braga, A. d., de Carvalho, A. P., & Ludermir, T. B. (2000). Redes Neurais Artificiais: Teoria e Aplicações. LTC Editora.

Fernandes, R. G. (2007). Detecção e Isolamento de Falhas em Sistemas Dinâmicos Baseados em Redes Neurais. Tese de Mestrado, Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Engenharia Elétrica e Computação, Natal.

Haykin, S. S. (2001). Redes Neurais - Princípios e Prática (2ª ed.). Bookman.

Machado, V. P. (2009). Uma Arquitetura Baseada em Agentes para Configuração Dinâmica de Aplicações Inteligentes em Ambiente Foundation Fieldbus. Tese de Doutorado, Universidade Federal do Rio Grande do Norte, Programa de Pós- Graduação em Engenharia Elétrica e Computação, Natal.

Mandani, E. H. (1974). Application of Fuzzy Algorithms for Control of Simple Dynamic Plant. Procedings of IEEE, 121(12), 1585-1588.

Martins, D. L. (2011). Arquitetura de Controladores Fuzzy em Redes Foundation Fieldbus. Tese de Mestrado, Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Engenharia Elétrica e Computação, Natal. Medeiros, J. P. (2009). Estudo e Implementação de Algorítmos Inteligentes para

Detecção e Classificação de Falhas na Medição de Gás Natural. Tese de Mestrado, Universidade Federal do Rio Grande do Norte, Programa de Pós- Graduação em Ciências e Engenharia do Petróleo, Natal.

Mendel, J. M. (Março de 1995). Fuzzy Logic Systems for Engineering: A Tutorial. Proceedings of the IEEE, 83, 345-377.

Ramalho, L. S. (2009). Reconfiguração Dinâmica de Estratégias Distribuídas em Dispositivos Foundation Fieldbus para Otimização de Processos na Indústria do Petróleo. Tese de Mestrado, Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência e Engenharia do Petróleo., Natal. Russell, S. J., & Norvig, P. (2009). Artificial Intelligence: A Modern Approach (3ª ed.).

New Jersey: Prentice Hall.

Silva, D. R. (2005). Redes Neurais Artificiais no Ambiente de Redes Industriais Foundation Fieldbus Usando Blocos Funcionais Padrões. Tese de Mestrado, Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Engenharia Elétrica e Computação, Natal.

Silva, D. R. (2005). Redes Neurais Artificiais no Ambiente de Redes Industriais Foundation Fieldbus Usando Blocos Funcionais Padrões. Universidade Federal do Rio Grande do Norte, Natal.

Simões, M. G., & Shaw, I. S. (1999). Controle e Modelagem Fuzzy (2ª ed.). São Paulo: Editora Blucher.

Smar. (Março de 2005). Manual de Instruções dos Blocos Funcionais. Brasil. Smar. (2010). Redes de Automação Industrial - Introdução. Smar.

Smar. (Agosto de 2014). Manual do Usuário: Fieldbus Universal Bridge.

Venkatasubramanian, V., Rengaswamy, R., Yin, K., & Kavuri, S. N. (22 de Abril de 2003). A review of process fault detection and diagnosis Part I: Quantitative model-based methods. Computers and Chemical Engineering, pp. 293-311. Weber, L., & Klein, P. A. (2003). Aplicação da Lógica Fuzzy em Software e Hardware

Weiss, G. (1999). Multiagent Systems: A Modern Approach to Distributed Modern Approach to Artificial Intelligence. Cambridge: The MIT Press.

Zadeh, L. A. (1965). Fuzzy Sets. Inf. Control(8), 338-353.

Zhang, H. Q., & Yan, Y. (Outubro de 2001). A wavelet-based approach to abrupt fault detection and diagnosis of sensors. Instrumentation and Measurement, IEEE Transactions on, 50(5), 1389-1396 .

Apêndice A

Anexos

Anexo I - Telas originais das lógicas dos blocos funcionais desenvolvidas no Syscon.