SISTEMA INTELIGENTE PARA DETECÇÃO DE FALHAS COM RACIOCÍNIO NÃO-MONOTÔNICO

Transcrição

1 SISTEMA INTELIGENTE PARA DETECÇÃO DE FALHAS COM RACIOCÍNIO NÃO-MONOTÔNICO Abílio de Assis * e Roberto Schirru ** * Instituto de Engenharia Nuclear - IEN - CNEN/RJ Caixa Postal , Rio de Janeiro, Brasil **Programa de Engenharia Nuclear, COPPE / UFRJ Caixa Postal , Rio de Janeiro, Brasil RESUMO Este artigo apresenta o desenvolvimento de uma ferramenta denominada TIGER que tem como propósito servir como um shell para o desenvolvimento de sistemas especialistas para o diagnósticos de falhas em tempo-real em plantas industriais complexas. Foi desenvolvido um modelo de representação do conhecimento e um sistema de inferência baseado em raciocínio nãomonotônico para fornecer flexibilidade na representação de plantas complexas assim como performance suficiente para satisfazer a restrições de tempo-real. O TIGER é capaz de fornecer tanto o diagnóstico da falha como uma visão hierárquica dos vários motivos que levaram tal falha a acontecer. Como validação do ferramenta foi desenvolvido um sistema de monitoração para as funções críticas de segurança para a usina nuclear de Angra-1. I. INTRODUÇÃO Diversos sistemas computadorizados para monitoração das condições de operação de plantas complexas tem sido propostos. O objetivo é proporcionar um auxílio automatizado ao operador, na complexa tarefa de garantir a segurança durante a operação das mesmas. Neste artigo é proposta uma ferramenta, de nome TIGER, que tem como objetivo o desenvolvimento de sistemas especialistas em tempo-real para a monitoração e diagnósticos de falhas em plantas industrias complexas. O TIGER apresenta como características que o diferem de sistemas convencionais o fato de oferecer um tratamento assíncrono ao conjunto de sensores da planta, não havendo então o chamado ciclo de aquisição dos sinais. No TIGER, os sensores são parte integrante do modelo, seja ele incorpora um sistema de aquisição de dados e um sistema inteligente de diagnóstico de falhas. Outro ponto que merece destaque é que o TIGER é um shell, seja, se constitui de uma ferramenta para o desenvolvimento de sistemas baseados em conhecimento para diagnósticos de falhas. Um sistema baseado em conhecimento (KBS - Knowledge-Based System) pode ser definido como [1]: um sistema computadorizado que usa conhecimento a respeito de um determinado domínio para encontrar uma solução para um determinado problema pertencente a esse domínio. Esta solução é essencialmente a mesma que uma pessoa especialista no assunto chegaria quando defrontada com o mesmo problema. Um KBS é constituído de dois elementos básicos conforme a Figura 1: (1) uma base de conhecimento relativa ao domínio do problema a ser resolvido e (2) uma estratégia de controle motor de inferência. Usuário KBS Motor de Inferência Base de Figura 1:Arquitetura Genérica de um KBS Fatos O motor de inferência é o componente responsável pela simulação do raciocínio do especialista humano no processo de resolução do problema. Ele interpreta os fatos apresentados ao KBS usando sua base de conhecimento armazenada.

2 A base de conhecimento [1] representa o componente mais importante de um KBS. Diversos esquemas de representação do conhecimento foram desenvolvidos entre os quais se destacam o uso de regras e objetos. Um KBS baseado em regras representa o conhecimento a respeito de um determinado domínio utilizando-se regras no formato IF <condição> THEN <conclusão>. Tipicamente existem centenas mesmo milhares dessas associações dependendo da complexidade do sistema. O segundo componente de um KBS é o motor de inferência [1]. Baseado nos fatos de entrada, o motor de inferência varre o espaço de solução do problema a procura de uma solução. Basicamente existem duas estratégias de controle: partir dos fatos em busca das conclusões (raciocínio para frente forward-chaining), supondo uma conclusão verdadeira, verificar se os fatos que a sustentam são verdadeiros também (raciocínio para trás backward-chaining). O TIGER utiliza regras como representação do conhecimento e dois motores de inferências: um forwardchaining, que realiza a monitoração das condições da planta tendo-se como fatos os valores dos sensores e um backward-chaining que, dada a ocorrência de uma falha, verifica quais as causas que a levaram a acontecer. II. VISÃO GERAL DO TIGER Nossos objetivos principais na modelagem e implementação do TIGER foram: (1) desenvolver uma ferramenta para construção de sistemas especialistas em tempo-real para monitoração e diagnóstico de falhas e (2) validar a ferramenta, desenvolvendo-se um sistema especialista para monitoração e diagnóstico das funções críticas de segurança da usina de Angra-1. No TIGER, as regras não estão codificadas no sistema, seja elas não são fixas, permitindo-se assim a aplicação da ferramenta na construção de uma ampla variedade de sistemas especialistas em diferentes plantas. Desenvolvemos um modelo denominado AABP (Assincrons Abnormal Behavir Propagation), uma evolução do ABP apresentado em [2]. Genericamente, o AABP é uma árvore contendo nós e arcos do tipo AND/OR. Na base da árvore estão os nós sensores, objetos especializados na aquisição de dados da planta, que interagem com o hardware de aquisição de dados suportado pelo TIGER. Todo nó sensor está associado a uma regra. Uma regra é uma construção do tipo if condição then ação, onde condição é uma expressão matemática envolvendo os valores dos sensores e ação atribui ao estado de um nó sensor os valores verdadeiro, falso inválido. A partir dos nós sensores, indo em direção ao topo da árvore existe um motor de inferência (o AABP Forward) que conclui a ocorrência de algum evento pela propagação de estados de anomalias através da árvore. Raciocinando a partir da chegada de novos fatos, o AABP Forward é um motor de inferência forward-chaining (raciocina dos fatos em direção às conclusões). O AABP Forward utiliza raciocínio nãomonotônico para resolução de conflitos que surgem quando as premissas para se chegar a uma dada conclusão se alteram durante o processo de raciocínio, seja, enquanto o AABP Forward ainda não cheg ao topo da árvore, não tendo assim completado o processo de inferência e concluído o nível mais elevado de conclusão. O sistema desenvolvido possui uma interface para aquisição e manutenção da base de conhecimento a respeito da planta. A base de conhecimento fica armazenada em um banco de dados relacional. A implementação foi feita em Delphi 2.0 rodando sobre o Windows 95. III. A MODELAGEM DO AABP O AABP é a estrutura a partir do qual é realizada a monitoração dos parâmetros chave da planta em tempo real. Ele é constituído por nós e arcos. Os nós representam estados de anomalias e os arcos conexões do tipo AND OR. No AABP, a propagação da falha ocorre de baixo para cima, sendo guiada pelo AABP Forward, um motor de inferência forward-chaining que utiliza os valores dos sensores ( algum parâmetro calculado a partir deles) como antecedente de regras do tipo IF-THEN para determinar o estado dos nós ligada a esses sensores. Aos nós do AABP, estão associadas, além do estado, um parâmetro chamado severidade: ela representa o grau de dano ocorrido com determinado sistema da planta. Ela pode assumir quatro valores, a saber: verde (normal), amarelo (limiar), laranja (alerta) e vermelho (crítico). A Figura 2 ilustra a estrutura do AABP. S1 1 S2 5 2 S3 9 6 S4 3 nós CO Figura 2: A Estrutura do AABP nós sensores sensores Toda a modelagem do sistema foi desenvolvida segundo a metodologia da orientação a objetos apresentada em [3]. Sendo assim, cada componente do modelo foi naturalmente modelado como sendo uma classe, contendo seus atributos e métodos. O AABP é constituído de três componentes: Sensores. São objetos especializados na aquisição de dados da planta. Contém os seguintes atributos: 8 7 S5 4 S6 S7

3 Código do Sensor identificador único de cada sensor. Tipo temperatura, pressão, radiação, etc. Unidade unidade de medida do sensor. Valor valor lido pelo sensor. Intervalo de Aquisição período de tempo que o nó sensor fará a leitura periódica dos sensores conectados a ele. Limite Inferior valor abaixo do qual é reconhecida uma situação fora do normal. Limite Superior valor acima do qual é reconhecida uma situação fora do normal. Limite Mínimo Limite Máximo Valido menor valor admissível para a leitura do sensor. maior valor admissível para a leitura do sensor. flag que indica se o sensor está válido não. Um sensor está inválido se sua leitura estiver fora do intervalo definido pelos limites mínimo e máximo. Nós. O modelo AABP pode apresentar dois tipos de nós: nós comuns ( simplesmente nós) e nós sensores. Um nó pode ser de dois tipos: AND OR. Um nó AND assumirá um estado verdadeiro quando todos os seus nós filhos forem verdadeiros. Já um nó OR será verdadeiro quando pelo menos um nó filho for verdade. A utilização de uma árvore AND/OR permite que seja construído o processo de diagnóstico para uma planta genérica. Seus atributos são os seguintes: Nó Estado Evento Severidade Arco Tipo Falso Por Identificador único de cada nó O estado de um nó. Pode ser verdadeiro falso, dependendo se a regra associada ao nó for satisfeita não Representa os fatos a serem monitorados representa o grau de perigo caso o nó seja ativado. A severidade pode ser: verde, amarelo, laranja vermelho representa se a conexão entre um nó pai e todos os seus nós filhos são do tipo AND OR Diz se um nó é um nó comum (recebendo o valor N) se é um nó sensor (recebendo o valor NS) se o Estado de um nó for falso, pode haver dois motivos: o primeiro decorre do fato de que a regra associada ao nó não foi satisfeita (a regra não foi disparada). O segundo motivo é invalidade de algum sensor. No primeiro caso, FalsoPor será igual a falso, caso contrário verdadeiro Nós Sensores. São os objetos responsáveis pela coleta de dados dos sensores. Um nó sensor está obrigatoriamente conectado a pelo menos um sensor, enquanto que um sensor pode não estar ligado a um nó sensor, seja, um sensor é uma entidade independente. Associado a cada nó sensor existe uma regra que ativa não um nó sensor dependendo dos valores dos sensores. Todo nó sensor possui uma única regra que usa todos os sensores conectados a esse nó sensor. Por exemplo, a regra para o nó sensor 1 poderia ser: se (S1.Valor + S3.Valor) > 500 então então NoSensor1.Estado Verdadeiro. Uma regra é dividida em duas partes: condição e ação. Para nossos propósitos a condição de uma regra foi dividida em três partes: fórmula, operador e valor. Fórmula: (S1.Valor + S3.Valor). Uma expressão matemática envolvendo os valores dos sensores conectados ao nó sensor em questão. Essa expressão, assim como todo o modelo, é definida pelo usuário e pode conter expressões matemáticas genéricas envolvendo as funções usuais, tais como, seno, cosseno, logaritmos, raiz quadrada, exponencial, etc. Operador: > (maior), >= (maior igual), < (menor), <= (menor igual), = (igual), <> (diferente). Valor: um número real, 500 no exemplo. Ação: NoSensor1.Estado Verdadeiro. Altera o estado de nó sensor caso a condição seja verdadeira. IV. RACIOCÍCNIO NÃO-MONOTÔNICO Sistemas de raciocínio monotônico são sistemas nos quais o processo de raciocínio é estabelecido tendo-se como hipótese, que os fatos iniciais permanecem verdadeiros enquanto novos fatos são derivados. Ou seja, não são permitidas mudanças nos fatos iniciais (axiomas) uma vez que todo o processo conclusivo se baseia nestes axiomas. No AABP, os sensores recebem um tratamento assíncrono. Isto significa dizer que cada sensor tem um intervalo de aquisição próprio. Por exemplo, o sensor S1 adquire dados de um em um segundo e o sensor S2 de dois em dois segundos. Após a leitura de S1 o motor de inferência AABP Forward partiria em direção ao topo da árvore propagando a verdade derivada a partir dos valores dos sensores (axiomas) obtidos no momento de sua partida. Entretanto, dependendo da profundidade do AABP, é possível que antes da chegada à conclusão final (topo da árvore de monitoração) o valor de S2 se altere, seja, o processo de raciocínio lev mais de um segundo para se chegar a conclusão final. Assim, durante o processo de classificação da falha, os axiomas, que formavam a base para os fatos derivados ao longo do processo de raciocínio, sofreram alterações. Em tras palavras, nossa base de dados fic inconsistente.

4 Devido então ao tratamento assíncrono de sensores permitida pelo AABP, são exigidos processos de inferência que dão suporte ao raciocínio não-monotônico, também conhecidos como Sistemas de Manutenção da Verdade [4] (Truth Maintenance Systems - TMS), para a inferência realizada pelo AABP Forward. O uso de TMS tem sido utilizado nos sistemas de simulação do comportamento cognitivo do operador em plantas industriais japonesas [5, 6]. Segundo [5], o TMS representa bem a característica humana de se revisar as hipóteses antes de se chegar a uma conclusão definitiva sobre algum fato. O TIGER, ao contrário dos TMS habituais que utilizam retrocesso dirigido por dependência [4], realiza manutenção da verdade num motor de inferência forwardchaining. Isto significa que o processo de derivação de novos fatos é interrompido sempre que algum novo fato invalidar a derivação de fatos novos. Neste caso, o processo de inferência é interrompido e é realizado um retrocesso no AABP até o ponto onde foi inserida a inconsistência. Como a inconsistência se deve a modificações no valor de alguns sensores, o AABP retrocede aos nós sensores ligados aos sensores em questão. A partir daí o processo de inferência continua normalmente até o topo da árvore até ocorrência de uma nova inconsistência na base de dados. Finalmente, o TIGER coleta dados da planta via um sistema de aquisição de dados. Esse sistema de aquisição faz parte integrante do sistema, pois o TIGER permite que os sensores possuam um comportamento assíncrono, seja, cada sensor pode apresentar um momento de aquisição diferente, momento este determinado pelo engenheiro do conhecimento durante a modelagem do processo a ser monitorado. Engenheiro do Interface de Aquisição do AABP Forward Base de Interface de Saída AABP Backward Banco de Dados Operador V. ARQUITETURA DO TIGER O diagrama em blocos da Figura 3 ilustra o contexto do sistema, enquanto a Figura 4 mostra os seus componentes internos. planta industrial conhecimento a respeito da planta variáveis de processo engenheiro do conhecimento TIGER Diagnóstico das condições da planta Figura 3: Diagrama de Contexto do Tiger operador da planta Basicamente existem três entidades externas com as quais o sistema se comunica: o primeiro é o operador da planta. O TIGER fornece ao operador basicamente dois tipos de informações: (1) diagnóstico em tempo-real sobre a operação da mesma e (2) dado a ocorrência de alguma falha, o TIGER informa ao operador sobre o porquê que determinado evento aconteceu. A segunda entidade externa é o engenheiro do conhecimento. Ele é o responsável por interagir com o TIGER e fazer a modelagem dos eventos a serem monitorados. O engenheiro do conhecimento deve ter conhecimento suficiente a respeito do processo a ser modelado ter acesso a especialistas que tenham esse conhecimento. Planta Industrial Figura 4: Diagrama de Arquitetura do TIGER VI. VALIDAÇÃO E RESULTADOS O TIGER foi implementado em Delphi 2.0 rodando sobre o Windows 95. A escolha de tal ambiente de desenvolvimento se deveu principalmente a dois fatos: suporte a orientação a objetos e performance de execução, característica essencial para sistemas que operam em tempo-real. A fim de se validar o modelo proposto, desenvolvemos com o TIGER um sistema para diagnóstico das funções críticas de segurança para a usina nuclear de Angra-1. O conceito de funções críticas de segurança [7] fornece uma abordagem sistemática e atual para o projeto de sistemas de monitoração de usinas nucleares. Funções de segurança são um grupo de ações que previnem a fusão do núcleo minimiza o escapamento de radiação para o meio-ambiente. A Figura 5 ilustra a árvore de monitoração para a fonte fria de Angra-1 e a Figura 6 o modelo AABP correspondente ao procedimento de recuperação de falha RF-2 da mesma figura. De posse das informações da planta, que neste caso é a árvore de monitoração, o engenheiro do conhecimento elabora o AABP no TIGER via a interface de aquisição do conhecimento.

5 Nível de Faixa Estreita em Pelo menos um GV maior que 4% Vazão Total de Água de Alimentação para os GVs maior que 1040 lpm Pressão em Todos os GVs menor que 86 kg/cm2g Nível de Faixa Estreita em todos os GVs menor que 82 % vermelho laranja amarelo RF1 RF2 RF3 Cod. do Sensor Descrição Interv. (seg.) S1 (PGV1) pressão no GV1 2 S2 (PGV2) pressão no GV2 2 S3 (NFEGV1) nível de faixa estreita no 4 GV1 S4 (NFEGV2) nível de faixa estreita no 4 GV2 S5 (VZTAAGV) vazão total de água de alimentação para os GVs 4 4 S3 Figura 5: Árvore para monitoração da Fonte Fria da Usina de Angra S4 11 S5 8 e 12 Pressão em Todos os GVs menor que 82 kg/cm2g S1 Figura 6: AABP para o Procedimento de Correção de Falha RF-2 A descrição dos principais atributos de cada elemento do modelo se encontra nas Tabelas 1 e 2. 6 Nível de Faixa Estreita em todos os GVs menor que 4 % RF S2 e S3 amarelo RF4 amarelo verde 15 RF5 RF6 S4 Tabela 1:Descrição dos sensores relativa à Figura 6 Nó Descrição Tipo Regra 3 Nível de Faixa Estreita em or Todos os GVs é menor igual a 4% 4 Nível de Faixa Estreita no S3 <= 4 GV1 é menor igual a 4% 5 Nível de Faixa Estreita no S4 <= 4 GV2 é menor igual a 4% 6 Execute o Procedimento de or Recuperação de Falha RF2 7 Evento Intermediário 7 and 8 Evento Intermediário 8 and 9 Pressão em Pelo Menos Um or GV é maior igual a 86 kg/cm2g 10 Nível de Faixa Estreita em or pelo menos um GV é maior que 4% 11 Vazão Total de Água de S5>1040 Alimentação Para os GVs é maior que 1040 lpm 12 Pressão no GV1 é maior S1 >= 86 igual a 86 kg/cm2g 13 Pressão no GV2 é maior S2 >= 86 igual a 86 kg/cm2g 14 Nível de Faixa Estreita no S3 > 4 GV1 é maior que 4% 15 Nível de Faixa Estreita no GV2 é maior que 4% S4 > 4 Tabela 2:Descrição dos nós relativos à Figura 6 A tela de saída para o sistema desenvolvido pode ser vista na Figura 7. Esta figura ilustra o diagnóstico da necessidade da realização do procedimento de correção de falha RF-5 e uma visão hierárquica dos motivos que levaram tal fato a acontecer. Do lado direito, podemos ver os sensores definidos e seus respectivos valores no momento do diagnóstico.

6 [4] Doyle, J., A truth maintenance system. Artificial Intelligence, 12 (3), [5] Furuta, K., e Kondo, S., An Approach to assessment of plant man-machine systems by computer simulation of an operator s cognitive behavior, Int. J. Man-Machine Studies (1993) 39, Figura 7: Tela de saída mostrando de um lado o diagnóstico da falha e de tro os valores dos sensores VII. CONCLUSÃO O modelo de representação do conhecimento proposto e sistemas de inferência associados, atestaram uma performance excelente em máquinas convencionais (PC MB RAM). Conseguimos tempo de resposta abaixo de 2 segundos para o exemplo desenvolvido. Isto se deve também a escolha de um compilador (Delphi) para o desenvolvimento do ferramenta e não um interpretador, tipo LISP, ambiente padrão para o desenvolvimento de sistemas especialistas. O raciocínio não-monotônico forma a base para um tratamento adequado para o assincronismo entre os sensores, permitindo-se assim uma modelagem da planta de maneira muito mais próxima da realidade. Possíveis avanços na estrutura do ferramenta compreendem um módulo que indique ao operador todos os passos do procedimento de recuperação da falha. Em casos de falhas múltiplas, a severidade da falha aliada a relação de causa e efeito entre elas definiria a ordem de execução das mesmas. [6] Yoshida, K., et al., Development of AI-Based ulation System for Man-Machine System Behavior in Accidental Situations of Nuclear Power Plant, Jrnal of Nuclear Science Technology, Vol. 33, No. 2, p (February 1996) [7] Corcoran, W., R., et al., The Critical Safety Functions and Plant Operation. Nuclear Techonology, vol.55, Dec ABSTRACT This paper presents the development of a shell denominated TIGER that has the purpose to serve as environment to the development of expert systems in diagnosis of faults in industrial complex plants. A model of knowledge representation and an inference engine based on non monotonic reasoning has been developed in order to provide flexibility in the representation of complex plants as well as performance to satisfy restrictions of real time. The TIGER is able to provide both the occured fault and a hierarchical view of the several reasons that caused the fault to happen. As a validation of the shell developed a monitoring system of the critical safety functions of Angra -1 nuclear power plant has been developed. REFERÊNCIAS [1] Gonzalez, A. J. e Dglas, D., D., The Engineering of Knowledge-Based System - Theory and Practice. Prentice Hall, [2] Schirru, R. e Bellas, N. R., Sistema Especialista para a monitoração e detecção de falhas usando um modelo de representação do conhecimento baseado na propagação de eventos anômalos. Documentação Técnica do Projeto CNPQ/RHAE. [3] Rumbaugh, J. et. al, Object-Oriented Modeling and Design, Englewood Cliffs, NJ: prentice Hall, 1991.