5 Sensores do Motor de Combustão Interna Estudo de Caso

Transcrição

1 79 5 Sensores do Motor de Combustão Interna Estudo de Caso Este capítulo apresenta a aplicação do sistema proposto para autocorreção e auto-validação de sensores inteligentes em um ambiente de múltiplos sensores, com diferentes graus de correlação entre eles. Este estudo de caso foi escolhido com o objetivo de mostrar que a pode realizar uma reconstrução online das medições dos sensores quando estas apresentam falhas de tipo desvio, offset ou ruído. Recorde-se que o modelo proposto é da categoria não redundante, efetivo para realizar monitoramento de sensores em nível industrial e apropriado para se avaliar o estado do sensor ao longo do tempo. O modelo foi avaliado com uma base de dados de medições de sensores que controlam e realizam o monitoramento de um motor de combustão interna acoplado a um alternador, que gera a energia necessária para alimentar dois motores elétricos encarregados da tração das rodas traseiras de um caminhão de mineração da empresa Barrick, no Peru. A próxima seção apresenta, de forma sucinta, o funcionamento genérico de um motor de combustão interna. Nas seções subsequentes, são detalhadas as etapas de desenvolvimento do sistema para estudo de caso específico, assim como os resultados obtidos. 5.. Princípio de Funcionamento do Motor de Combustão Interna O Motor de combustão interna é uma máquina térmica, que transforma a energia proveniente de uma reação química em energia mecânica. O processo de conversão se dá através de ciclos termodinâmicos (Otto, Diesel ou Brayton) que envolvem expansão, compressão e mudança de temperatura de gases. São considerados motores de combustão interna aqueles que utilizam os próprios gases de combustão como fluido de trabalho. Ou seja, são estes gases que realizam os processos de compressão, aumento de temperatura (queima), expansão e finalmente exaustão.

2 8 O motor de combustão interna aqui utilizado executa o ciclo termodinâmico tipo diesel, ou seja, aspira ar, comprime-o no interior dos cilindros e recebe combustível sob pressão superior àquela em que o ar se encontra. A combustão ocorre por auto-ignição quando o combustível entra em contato com o ar aquecido pela elevada pressão. O combustível injetado ao final da compressão do ar é, geralmente, o óleo diesel, porém o motor pode rodar com outros combustíveis, inclusive com óleo vegetal. Em linhas gerais, o motor de combustão funciona de maneira semelhante à do motor de explosão. No primeiro estágio o ar é aspirado para dentro de um cilindro, através de uma válvula de aspiração. No segundo estágio, tendo fechado a válvula de aspiração, o ar é comprimido dentro do cilindro até chegar a uma pressão de cerca de 5 (34,47 bar), atingindo uma temperatura da ordem de 649ºC. Próximo ao ponto morto superior do cilindro (PMS) injeta-se óleo combustível (cf. Figura 25). O óleo se mistura ao ar altamente aquecido, entrando em ignição. A expansão dos gases resultantes força o êmbolo a realizar o ciclo de expansão. Pouco antes de o êmbolo atingir o ponto morto inferior (PMI), a válvula de descarga abre e os gases começam a ser descarregados do interior do cilindro. Antes de o êmbolo atingir o PMS, a válvula de aspiração se abre novamente e o ar que entra no cilindro faz a denominada lavagem do cilindro, expulsando quase a totalidade dos gases de descarga que ainda permaneciam no interior do motor. Ao atingir o PMS, e fechando-se a válvula de descarga, inicia-se uma nova aspiração e, portanto, um novo ciclo (Cuisano, 26). Figura 25. Funcionamento do Motor de Combustão Interna

3 Desenvolvimento do Projeto Antes do desenvolvimento desta pesquisa, foram utilizados os softwares GE wptu Toolbox (General Electric) e INSITE Cense (Cummins, 24) para coletar as medidas de 4 sensores instalados no motor de combustão interna do caminhão de mineração da empresa Barrick, com a finalidade de se obter um histórico do rendimento do motor durante o regime dinâmico e contínuo. A primeira etapa no desenvolvimento do trabalho foi verificar se os sensores estavam calibrados de acordo com um programa de manutenção da empresa, de forma a se realizarem, então simulações de descalibração. Confirmou-se que a base de dados fornecida apresenta valores filtrados previamente na etapa de aquisição de sinal no controlador ECM (Engine Control Module) (Cummins, 24). Portanto, as medições que apresentam variações abruptas são consideradas parte da operação do motor e não ruídos externos. A Tabela 4 descreve brevemente as características do motor, a partir do qual foram fornecidas as leituras dos sensores em cada uma das fases deste trabalho. Tabela 4. Especificações do Caminhão e do Motor de Combustão Interna (Cummins, 24) Caminhão Komatsu Modelo 73E - Elétrico Dimensões 2,83 m x 7,54 m x 6,25 m Peso 324 kg Carga Máxima 2 tons Motor Komatsu SSA 6V59 Modelo K2 Numero de Cilindros 6 Ciclo de Operação 4 tempos Potencia 2 HP (4932 kw) Alternador General Electric GTA-22 Das 4 variáveis de medição fornecidas, foram selecionadas 32, correspondentes às medições de distintos sensores de pressão e temperatura instalados exteriormente ao motor. A Tabela 5 apresenta os 32 sensores considerados neste estudo. No Anexo apresenta-se a localização desses sensores no motor de combustão interna e uma figura do caminhão estudado.

4 82 Tabela 5. Sensores do Motor de Combustão Interna Nº Parâmetros Selecionados (32) Valor standard Pressão no riel de combustível 35-7 kpa (5-7 ) 2 Pressão do ambiente 62 kpa (9 ) 3 P. do ar na saída do turbo de alta esquerdo kpa (33-38 ) 4 P. do ar na saída do turbo de alta direito kpa (33-38 ) 5 T. do ar no aftercooler de frente esquerdo 88 C (9 F) máx. 6 T. do ar no aftercooler posterior esquerdo 88 C (9 F) máx. 7 T. do ar no aftercooler de frente direito 88 C (9 F) máx. 8 T. do ar no aftercooler posterior direito 88 C (9 F) máx. 9 Temperatura do óleo motor 9-4 C (95-22 F) P. do aceite no motor á entrada do filtro kpa (6-8 ) Pressão do óleo motor á saída do filtro kpa (6-8 ) 2 P. diferencial devido aos filtros de óleo kpa (5- ) 3 Pressão de gases no cárter kpa (5-3 inh2o) 4 Temperatura do refrigerante motor 82- C (8-22 F) 5 Pressão do refrigerante motor kpa (5-4 ) 6 Temperatura de escape cilindro LB 74 C (3 F) máx. 7 Temperatura de escape cilindro RB 74 C (3 F) máx. 8 Temperatura de escape cilindro 2LB 74 C (3 F) máx. 9 Temperatura de escape cilindro 2RB 74 C (3 F) máx. 2 Temperatura de escape cilindro 3LB 74 C (3 F) máx. 2 Temperatura de escape cilindro 3RB 74 C (3 F) máx. 22 Temperatura de escape cilindro 4LB 74 C (3 F) máx. 23 Temperatura de escape cilindro 4RB 74 C (3 F) máx. 24 Temperatura de escape cilindro 5LB 74 C (3 F) máx. 25 Temperatura de escape cilindro 5RB 74 C (3 F) máx. 26 Temperatura de escape cilindro 6LB 74 C (3 F) máx. 27 Temperatura de escape cilindro 6RB 74 C (3 F) máx. 28 Temperatura de escape cilindro 7LB 74 C (3 F) máx. 29 Temperatura de escape cilindro 7RB 74 C (3 F) máx. 3 Temperatura de escape cilindro 8LB 74 C (3 F) máx. 3 Temperatura de escape cilindro 8RB 74 C (3 F) máx. 32 Temperatura do ECM do motor 48-7 C (2-6 F) No presente estudo, foram desconsideradas as variáveis resultantes de cálculos feitos no controlador ECM, medições do tipo PWM (Pulse Width Modulation) e sensores com saída do tipo ON-OFF. Os dados representam medições relativas ao translado do produto pelo caminhão (regime dinâmico e contínuo), desconsiderando-se a etapa em que o motor é ligado (regime estacionário). A Figura 26, a seguir, apresenta uma projeção horizontal do caminhão em estudo. O sistema integrado de monitoramento do caminhão gerou uma base de dados de 2 amostras, com medições realizadas com um período de amostragem de minuto para cada sensor. Diferentemente de outros estudos,

5 83 os sinais produzidos pelos sensores não são ideais, ou seja, apresentam variações resultantes do esforço do motor durante o translado de material. Figura 26. Projeção Horizontal do Caminhão Komatsu 73E Definição de Grupos Com base na metodologia descrita no Capítulo 4, analisaram-se as medições dos sensores com a finalidade de identificar grupos de sensores com correlações similares, de forma a se obter uma melhor aproximação dos sinais. Das 2 amostras, 8 foram utilizadas para a etapa de treinamento e 2 para a de validação, restando amostras para a etapa de teste. Assim, para a análise das correlações, foram utilizadas 8 amostras correspondentes às leituras dos 32 sensores selecionados do motor de combustão interna. A partir da análise dos dados, comprovou-se que, apesar de os sensores pertencerem ao mesmo processo, as correlações diferem consideravelmente, obtendo-se valores inferiores a, e superiores a,8.

6 84 De forma a considerar os diferentes níveis de correlação, os sensores foram agrupados em três faixas, correspondentes ao grau de correlação entre eles (baixo, médio e alto). Valores inferiores a,4 são considerados de baixa correlação. Valores entre,4 e,8 são qualificados como de correlação média, enquanto que valores superiores a,8 são classificados como de alta correlação. Finalmente, cada grupo de sensores é associado a uma. O Anexo 2 apresenta a matriz de correlação entre os sensores de cada grupo. A correlação média absoluta dos três grupos foi de,87,,59 e,33, respectivamente, e o número de sensores atribuído a cada grupo é 6, 7 e 9, respectivamente. Percebe-se que o terceiro grupo de sensores apresenta correlações baixas, com aproximadamente 4% delas com valores inferiores a,2. Portanto, este grupo se constitui em um forte teste no que diz respeito à reconstrução dos sinais frente a erros súbitos nos sensores Sistema de Monitoramento para Auto-Correção e Auto-Validação de Múltiplos Sensores Definido o número de grupos, é possível representar o sistema de monitoramento completo aplicado ao estudo de caso em questão. Na Figura 27 estão representadas, de maneira esquemática, todas as etapas que compõem o sistema implementado. Na fase de operação o sistema recebe, ao longo do tempo, as medições de entrada X ~ correspondentes às leituras dos sensores no processo. Esses sinais são selecionados, a partir de um conjunto de variáveis de entrada x i (Oliveira, 25), separados nos grupos em função do grau de correlação existente entre eles, e então normalizados entre [-,] ( S i ). Na fase seguinte, as amostras são enviadas ao Modelo de Auto-Correção, onde cada ajusta as medições dos sensores, caso apresentem alguma falha, ou se comporta como uma matriz identidade, caso não sejam identificadas falhas. Se existir um resíduo, ε, considerável entre o sinal monitorado e a resposta do Modelo de Auto-Correção, o Módulo de Detecção de Falhas gera uma informação de alarme. Pela informação fornecida pelo Módulo de Confiabilidade, é possível verificar o estado atual do sensor. Finalmente, o Módulo de

7 85 Classificação indica ao operador o momento em que o sensor pode ser retirado do processo para que se realize uma nova calibração. Classificação (Cronograma) Auto-Validação SIF Sugeno Módulo de Classificação x~ S x Confiabilidade Detecção de Falha x... x6 Seleção Normalização x Agrupamento (correlação) x7... x23 x24... x32 S S S2 3 Módulo de Confiabilidade SIF Mamdani x ε Gerador de Residuos xˆ SPRT Módulo de Detecção de Falhas Auto-Correção 2 3 ( ˆ... x ) T ( ˆ... x ) T ( ˆ... x ) T x ˆ 6 x ˆ 7 23 x ˆ Figura 27. Sistema de Monitoramento para Auto-Correção e Auto-Validação de Múltiplos Sensores Conforme mencionado no capítulo anterior, a detecção da falha no sensor é feita com ajuda do teste da razão de probabilidade seqüencial (SPRT) dos resíduos de estimação. As seções a seguir detalham os resultados obtidos para cada um dos módulos do sistema de monitoramento online proposto neste trabalho.

8 Resultados do Modelo de Auto-Correção Conforme explicado na seção anterior, o modelo de auto-correção é composto por três grupos, atribuindo-se a cada um deles uma rede neural autoassociativa modificada. Conforme detalhado no Capítulo 4, as são modeladas de forma a efetuar a correção de falhas simples, em um único sensor, e de falhas simultâneas em múltiplos sensores. É importante ressaltar que, de forma a se evitar o overfitting, foram utilizadas as técnicas de parada antecipada ou prematura (early-stopping) para o treinamento de todas as redes neurais testadas. Além disso, é importante salientar que o algoritmo de treinamento utilizado foi Levenberg-Marquardt. A seguir as fases de treinamento das redes são detalhadas e os resultados dos testes são analisados Resultados do Primeiro Grupo Os sensores que compõem este grupo, apresentados na Tabela 6, medem a temperatura na câmara de combustão interna dos 8 cilindros do motor e apresentaram um grau de correlação acima de,87. Tabela 6. Sensores de Temperatura nos Cilindros - Grupo Nº Sensores do Grupo I Temperatura de escape cilindro LB 2 Temperatura de escape cilindro RB 3 Temperatura de escape cilindro 2LB 4 Temperatura de escape cilindro 2RB 5 Temperatura de escape cilindro 3LB 6 Temperatura de escape cilindro 3RB 7 Temperatura de escape cilindro 4 LB 8 Temperatura de escape cilindro 4 RB 9 Temperatura de escape cilindro 5 LB Temperatura de escape cilindro 5 RB Temperatura de escape cilindro 6 LB 2 Temperatura de escape cilindro 6 RB 3 Temperatura de escape cilindro 7 LB 4 Temperatura de escape cilindro 7 RB 5 Temperatura de escape cilindro 8 LB 6 Temperatura de escape cilindro 8 RB RB= Posterior Direita (Right Back), LB= Posterior Esquerda (Left Back)

9 87 O primeiro passo foi desenvolver um algoritmo para buscar o menor número de neurônios na camada de estrangulamento. Para tal, testaram-se distintas topologias para a, variando-se o número de neurônios nas camadas escondidas e inserindo-se ruído nas medições. Com base nos erros obtidos na etapa de validação, a rede com maior capacidade de generalização foi escolhida via validação cruzada. Ao final do treinamento, foi testada a capacidade da rede de se comportar como um filtro ou corretor de medições frente às medições com ruído. A Error! Reference source not found. resume os resultados alcançados, na fase de treinamento (algoritmo Levenberg-Marquardt), para as diferentes topologias escolhidas e mostra o comportamento da em função do número de neurônios na camada de estrangulamento (de a 4), considerandose diferentes números de neurônios nas camadas de mapeamento e desmapeamento (identificados por M no quadro superior direito) M=8 M=9 M=2 M=2 M=22 MAPE Estrangulamento Figura 28. Erro MAPE em função do número de neurônios na camada de estrangulamento Observa-se que, independentemente do número de neurônios nas camadas de mapeamento e desmapeamento, a rede gera menor erro na previsão quando o número de neurônios na camada de estrangulamento atinge um valor próximo ao número de entradas. Embora um maior número de neurônios na camada de estrangulamento melhore a capacidade da rede de operar frente a perturbações em um sensor, o custo computacional para calcular os pesos sinápticos da rede é muito elevado. Portanto, escolher o menor número

10 88 de neurônios nesta camada capaz de fornecer uma boa aproximação da saída (sem perturbação) é imprescindível para reduzir o custo computacional e obter uma boa generalização. Na maioria das topologias testadas, quando a camada de estrangulamento supera os 6 neurônios, o erro de predição permanece praticamente o mesmo, ou seja, a variação é insignificante. Dessa forma, para os 6 sensores de temperatura do Grupo, foram escolhidos 6 neurônios na camada de estrangulamento. O passo seguinte foi treinar a para a reconstrução dos dados dos sensores quando as medições apresentam ruídos, desvios ou offset nos vários vetores de entrada. Para tal, foi usado o treinamento robusto modificado descrito no capítulo 4 com ruído aleatório de 2% da faixa de medição. O número de neurônios nas camadas de mapeamento e desmapeamento foi aumentado até se obter uma resposta com erro MAPE máximo de 2%. Ao final do processo de treinamento, a topologia obtida apresentou 8 neurônios na camada de mapeamento/desmapeamento. A Tabela 7, a seguir, mostra os resultados obtidos na topologia da. Observa-se, na Tabela 7, que o MAPE é menor do que % para todos os sensores, atingindo-se, assim, o objetivo proposto. Tabela 7. Resultado do Grupo Grupo I Sensor MSE MAPE % RMSE,5,39246, ,3, , ,2, ,348 4,, , ,4, ,6988 6,2,5776,3355 7,92, , ,7, ,8872 9,34, ,39567,2, ,3874,28, , ,52, , ,28,2526 3, ,89, , ,266, , ,95,2456 3,4527 A rede foi testada quanto à reconstrução de sinais frente a erros súbitos. Foram apresentados vetores de entrada com um desvio de,2 por minuto durante 5 minutos (ao final do processo, o desvio é de ). A Figura 29

11 89 apresenta o resultado da frente ao desvio do sensor e a Figura 3 mostra uma visão ampliada deste teste e o comportamento para o sensor 2 do mesmo grupo. A Tabela 8 apresenta os resultados para os 6 sensores. Tabela 8. Desvio lento de,2 por minuto no sensor Grupo I Sensor MSE MAPE % RMSE,7,6233 8,38 2,2,23 3,2284 3,2,228 3,248 4,,53 2,2289 5,3,2775 3,7958 6,466,867 7,2,864 2,5327 8,2,293 2,8926 9,3,372 4,35,5,3882 5,3334,2,248 3,7299 2,4,337 4,5454 3,2,2357 3,3597 4,2,2335 3,447 5,5,3425 4,54 6,2,2586 3,834 Temperatura de escape cilindro LB Calibrado RNAAAM Descalibrado Figura 29. Resposta da frente ao desvio no sensor

12 9 Temperatura de escape cilindro LB Calibrado Descalibrado Temperatura de escape cilindro RB RNAAAM Descalibrado Figura 3. Resposta dos sensores e 2 frente ao desvio total de no sensor Os resultados mostram que o sensor (Temperatura de escape cilindro LB) apresenta um aumento do MAPE de,3% para aproximadamente,6%, valor este que se encontra dentro do limite do erro estabelecido para o conjunto de sensores analisados (2%). Além disso, a média da diferença existente entre a resposta da, para os 5 sensores restantes, quando as medições não apresentam perturbações e quando existe um desvio no sensor, é de,2% para,24%, ou seja, a rede não gera alterações consideráveis nas respostas dos sensores que não apresentaram falhas na entrada. É possível visualizar um exemplo disso na Figura 3, onde a saída da rede para o segundo sensor é mapeada satisfatoriamente. Demonstra-se, assim, que foi superado um dos problemas apresentados pelos trabalhos anteriores (Najafi, 24; Marseguerra, 25). Foi testada, a seguir, a capacidade da rede de corrigir falhas em três ou mais sensores defeituosos. Dados correspondentes a medições de três sensores com falhas, selecionados aleatoriamente, são apresentados à (com desvio idêntico ao anterior). A Tabela 9 resume os resultados para todos os sensores, considerando-se os sensores (Temperatura de escape cilindro LB), 5 (Temperatura de escape cilindro 3 LB) e (Temperatura de escape cilindro 6 LB) como aqueles com falhas. Pode-se perceber que a consegue efetuar a auto-correção das medições dos sensores que apresentaram desvios com um valor de MAPE inferior a %.

13 9 Tabela 9. Desvio máximo em unidades dos sensores, 5 e Grupo I Sensor MSE MAPE % RMSE,9,655 6,4436 2,2,255 3,7725 3,2,2366 3,245 4,4,2622 4, 5,2,7299 7,974 6,88,49 7,6,3436 4,4874 8,3,2727 3,762 9,5,3862 5,2263,8,4989 6,6872,3,299 4,52 2,6,4446 6,273 3,3,2389 3,636 4,4,46 5,688 5,,59 6,5595 6,6,4262 6,295 Contrastando-se os valores da Tabela 9 e da Tabela 7, observa-se que a máxima diferença entre os dois casos é apresentada pelo sensor 5 aumento do MAPE de,277% para,729%. A Figura 3 apresenta a resposta da para os sensores, 3, 5, 6, e 2, frente ao desvio nos sensores, 5 e. Observa-se que a rede neural consegue corrigir as medições dos sensores com falha.

14 92 Temperatura de escape cilindro LB 9 8 Calibrado 7 Descalibrado Temperatura de escape cilindro RB 2 Calibrado Temperatura de escape cilindro 3LB 9 8 Descalibrado Temperatura de escape cilindro 3RB Calibrado 8 Calibrado Temperatura de escape cilindro 6LB 8 2 Calibrado Descalibrado Temperatura de escape cilindro 6RB 9 8 Calibrado Descalibrado Figura 3. Resposta dos sensores frente ao desvio lento de,2 % por minuto nos sensores,5 e

15 93 Finalmente, testou-se a com ruído aleatório de 2% da faixa de medição. Como exemplo, foi inserido nas medições do sensor (Temperatura de escape Cilindro LB) um ruído aleatório com distribuição normal e desvio padrão equivalente a 4. A Figura 32 mostra que a consegue filtrar o ruído satisfatoriamente. A Tabela resume os resultados. Observa-se um aumento do MAPE de,4% a,84%, valor que não ultrapassa o limite estabelecido (2%). Temperatura de escape cilindro LB Calibrado Descalibrado Figura 32. Resposta da RNAA frente ao ruído no sensor Tabela. Ruído de 2% da faixa de medição no sensor Grupo I Sensor MSE MAPE % RMSE,3,846,562 2,,2 3,38 3,2,23 3,33 4,,43 2,43 5,2,98 2,76 6,,57,923 7,2,79 2,348 8,2,25 2,74 9,3,35 4,,2,275 3,772,2,257 3,742 2,,29 2,892 3,3,26 3,69 4,,236 3,26 5,3,274 3,622 6,2,27 3,734

16 Resultados do Segundo Grupo Os sensores selecionados para formar o Grupo 2 apresentaram um grau de correlação de aproximadamente,56. Os sensores pertencentes a este grupo, apresentados na Tabela, medem a temperatura e a pressão nas etapas do aftercooler e a pressão do refrigerante do motor de combustão interna. Tabela. Sensores de Temperatura e Pressão - Grupo 2 Nº Sensores Grupo II P. do ar na saída do turbo de alta esquerdo 2 P. do ar na saída do turbo de alta direito 3 Temperatura do ar no aftercooler de frente esquerdo 4 Temperatura do ar no aftercooler posterior esquerdo 5 Temperatura do ar no aftercooler de frente direito 6 Temperatura do ar no aftercooler posterior direito 7 Pressão do refrigerante motor Seguindo a metodologia proposta no capítulo 4, foram testadas, primeiramente, distintas topologias com a finalidade de se obter o melhor número de neurônios na camada de estrangulamento, sempre com o objetivo de filtragem do ruído e de auto-corrreção das medições de um sensor com falha. Foram considerados de 9 a 6 neurônios da camada de mapeamento e desmapeamento, e de a 6 neurônios na camada de estrangulamento. Recorde-se que o número de neurônios na camada de estrangulamento é escolhido tendo-se em vista o custo computacional, a variação do erro frente ao aumento do número de neurônios e a capacidade da rede de corrigir as entradas quando estas apresentam erros. A seguir, realizou-se o treinamento modificado, mediante a inserção, nos vetores de entradas, de erros equivalentes a 2% da faixa de medição dos sensores. Os números de neurônios nas camadas de mapeamento e desmapeamento foram aumentados até se obter uma resposta com erro MAPE máximo de 2%. Ao final do processo de aprendizado, a topologia obtida apresentou 5 neurônios na camada de mapeamento e desmapeamento e 3 neurônios na camada de estrangulamento. A Tabela 2, a seguir, mostra os resultados obtidos na topologia da 2 para os 7 sensores.

17 95 Tabela 2. Resposta da RNAA do Grupo 2 Grupo II Sensor MSE MAPE % RMSE,6,588,375 2,56,59,297 3,9,454,8958 4,77,3233,6789 5,37,6845,4887 6,33,446,8563 7,87,597,3823 Conforme se observa na Tabela 2, o erro MAPE é menor do que % para todos os sensores. A Figura 33 apresenta a resposta da 2 para os sensores 3 e 4 quando nenhuma medição apresenta perturbações. Temperatura do ar no aftercooler de frente esquerdo 7 6 Objetivo Temperatura do ar no aftercooler posterior esquerdo 5 45 Objetivo Tempo(min) Figura 33. Resposta dos sensores 3 e 4 da RNAA 2 O passo seguinte foi testar a capacidade da rede de reconstruir os sinais frente a um sensor com falha. Para tal, foram apresentados à rede erros do tipo offset nas medições dos sensores. A Figura 34 apresenta as saídas da 2 para os sensores (Pressão da saída do turbo de alta esquerdo) e 2 (Pressão da saída do turbo de alta direito), considerando-se um offset de 4 no sensor 2. A Tabela 3 resume os resultados.

18 96 Pressão da saída do turbo de alta esquerdo Objetivo Tempo(min) Pressão da saída do turbo de alta direito Objetivo Offset Tempo(min) Figura 34. Respostas dos sensores e 2 da 2 com falha no Sensor 2 (Offset=4 ) Tabela 3. Resposta da 2 a Falha do Sensor 2 (Offset=4 ) Grupo II Sensor MSE MAPE % RMSE,77,924,4278 2,35,62,284 3,84,863,634 4,27,3595,727 5,36,5663,2685 6,58,439,9 7,48,4726,236 Foi testada, a seguir, a 2 para uma entrada com múltiplas falhas do tipo offset. Assim, as medidas dos sensores 2, 4, 5, 6 e 7 (escolhidos aleatoriamente) foram corrompidas com um offset de 4 unidades das grandezas correspondentes ao mesmo tempo. A Figura 35 apresenta as saídas da 2 para os sensores 2 (Pressão do ar na saída do turbo de alta direito), 4 (Temperatura do ar no aftercooler posterior esquerdo), 5 (Temperatura do ar no aftercooler de frente direito), 6 (Temperatura de ar no aftercooler posterior direito) e 7 (Pressão do refrigerante no motor) e a Tabela 4 resume os resultados obtidos para a 2.

19 97 Pressão do ar na saída do turbo de alta direito Temperatura do ar no aftercooler posterior esquerdo Temperatura do ar no aftercooler de frente direito 65 6 Temperatura do ar no aftercooler de posterior direito Pressão do refrigerante do motor Calibrado Descalibrado Figura 35. Resposta da 2 para falhas nos sensores 2, 4, 5, 6 e 7 (offset=4 unidades) Tabela 4. Resposta da 2 para falhas nos sensores 2, 4, 5, 6 e 7 (offset=4 unidades) Grupo II Sensor MSE MAPE % RMSE,89,7353,765 2,5,2726,565 3,5,3847,83 4,,4628,85 5,44,828,694 6,65,674,278 7,4,648,245 Comparando-se os resultados obtidos nos testes para falhas em um único sensor e para falhas múltiplas, verifica-se que a 2 consegue reconstruir os sinais dos sensores com um MAPE menor do que 2%. Além disso, a média da diferença entre este caso e quando não existem perturbações nos sensores, é de,33% do MAPE. Portanto, os erros estão dentro do limite estabelecido para o conjunto de sensores analisado.

20 98 Finalmente, testou-se a 2 com ruído aleatório de % da faixa de medição. Como exemplo, foi inserido nas medições do sensor (Pressão do ar na saída do turbo de alta esquerdo B) um ruído aleatório com distribuição normal e desvio padrão equivalente a 3,5. O resultado é apresentado graficamente na Figura 36 e mostra que a 2 consegue filtrar o ruído e aproximar o sinal à um sensor calibrado (Objetivo). Sensor Objetivo Ruído Figura 36. Resposta da 2 frente ao ruído no sensor Resultados do Terceiro Grupo Os sensores selecionados para formar este grupo têm correlações com média de,33 e são apresentados na Tabela 5. Como existem sensores com correlações lineares inferiores a,2, este grupo se constitui em um forte teste no que diz respeito à reconstrução dos sinais frente a erros súbitos nos sensores. Tabela 5. Sensores de Temperatura e Pressão- Grupo 3 Nº Sensores Grupo 3 Pressão no combustível ferroviário 2 Temperatura do óleo no motor 3 Pressão do óleo no motor á entrada do filtro 4 Pressão do óleo motor á saída do filtro 5 P. diferencial devido aos filtros de óleo 6 Pressão de gases no cárter 7 Temperatura do refrigerante motor 8 Temperatura da entrada de ar no Compressor 9 Temperatura do ECM do motor

21 99 A mesma metodologia foi novamente utilizada no treinamento da rede 3. Neste caso, devido à baixa correlação existente entre os sensores, o número de amostras fornecidas à rede foi aumentado para 5. A 3 apresenta uma topologia e a Tabela 6, a seguir, resume os resultados alcançados. É importante ressaltar que, devido à baixa correlação nas medições dos sensores, o número de neurônios na camada de estrangulamento é maior do que nos grupos e 2, quando comparado ao número de entradas da rede. Tabela 6. Resultados da 3 -Matriz de Identidade Grupo III Sensor MSE (e-6) MAPE % RMSE,29,65,329 2,278,745,68 3,389,233,666 4,234,2492,86 5,2568,748,46 6,56,425,937 7,323,378,84 8,288,482,2338 9,456,343,56 A 3 foi testada para um erro do tipo offset de 4 no sensor (Pressão no combustível ferroviário) nos primeiros 25 min de operação. A Figura 37 apresenta as respostas dos sensores e 2 frente à falha, e a Tabela 7, a seguir, resume os resultados das métricas utilizadas. A resposta da 3 é satisfatória por apresentar um erro MAPE menor do que,2%; ela consegue corrigir o erro sem alterar as demais medições. Tabela 7. Sensores de Temperatura e Pressão - Grupo 3 Grupo III Sensor MSE MAPE % RMSE,,22,357 2,,578,55 3,,696,647 4,2,22,287 5,,537,39 6,,582,489 7,,285,699 8,3,25,2 9,,77,4

22 Pressão no combustível ferroviário Tempo(min) Pressão de gases no Cárter Objetivo Descalibrado Objetivo Tempo(min) Figura 37. Respostas da RNAA 3 frente a uma falha no sensor (Offset=4 ) A rede foi testada, a seguir, para um desvio lento de,25% (,2 ) por minuto no sensor 9 a partir do instante de tempo 5 (ao final do processo, o desvio é de ). A Figura 38a apresenta os resultados deste desvio e a Figura 38b mostra uma visão ampliada deste caso. Na Tabela 8 são resumidos os resultados para os 9 sensores da 3. Tabela 8. Resposta da RNAA 3 para o desvio no sensor 9 Grupo III Sensor MSE (e-3) MAPE % RMSE,9,223 2,48,4 3,,2,59 4,,2364,78 5,338,2 6,382,9 7,22,452 8,382,884 9,8,929,5752

23 6 5 4 Temperatura do ECM Calibrado Descalibrado RNAA Time(min) (a) Temperatura do ECM Calibrado Descalibrado RNAA Time(min) (b) Figura 38. Respostas da 3 frente a uma falha de desvio no sensor 9 (Desvio Final= ) Finalmente, a 3 foi testada para uma entrada com múltiplas falhas: as medições dos sensores, 3, 7 e 9 foram corrompidas com um offset de 5 unidades ao mesmo tempo. A primeira resposta apresentada é com uma falha presente nos sensores e 3. A Figura 39 apresenta as saídas da 3 dos sensores, 3, 7 e 6 para falhas nos sensores e 3; a Tabela 9, a seguir, resume os resultados. A segunda resposta apresentada é simulada com falhas nos sensores, 3 e 7; a Figura 4 e a Tabela 2 apresentam as respostas da 3 e um resumo dos resultados das falhas simultâneas.

24 2 Pressão no combustível ferroviário 6 5 Objetivo Offset Tempo(min) Pressão no Cárter Objetivo Tempo(min) Pressão Pré Filtro de óleo Pressão do Óleo Figura 39. Respostas da 3 frente a uma falha nos sensores e 3 (Offset=4 unidades) Tabela 9. Resposta da 3 para uma falha nos sensores e 3 Grupo III Sensor MSE (e-3) MAPE % RMSE,63,8,357 2,58,52,55 3,267,596,647 4,2235,287,287 5,6,54,39 6,88,553,489 7,27,277,699 8,2588,239,2 9,65,65,4

25 3 Pressão no combustível ferroviário 6 5 Objetivo Offset Tempo(min) Pressão no Cárter Objetivo Tempo(min) Pressão Pré Filtro de óleo Pressão do Óleo Temperatura de refrigerante do motor Temperatura de entrada do compressorrefrigerante do motor Figura 4. Resposta da 3 a falha nos sensores,3 e 7 (offset=5 unidades)

26 4 Tabela 2. Resposta da 3 a Falha do Sensor, 3 e 7 (offset=5 unidades) Grupo III Sensor MSE (e-3) MAPE RMSE,63,8,357 2,58,52,55 3,267,596,647 4,2235,287,287 5,6,54,39 6,88,553,489 7,27,277,699 8,2588,239,2 9,65,65,4 Finalmente, a Tabela 2 e a Figura 4 apresentam os resultados da 3 para falhas nos sensores (Pressão no combustível ferroviário), 3 (Pressão Pré filtro de óleo), 7 (Temperatura do refrigerante do motor) e 9 (Temperatura do ECM). Tabela 2. Resposta da 3 a Falha do Sensor, 3, 7 e 9 (offset=5 unidades) 6 Pressão no combustível ferroviário Grupo III Sensor MSE (e-3) MAPE RMSE,63,8,357 2,58,52,55 3,267,596,647 4,2235,287,287 5,6,54,39 6,88,553,489 7,27,277,699 8,2588,239,2 9,65,65,4 9 Pressão Pré Filtro de óleo Tempo(min) Temperatura de refrigerante do motor Temperatura do ECM Objetivo Offset Figura 4. Resposta da 3 a falhas nos sensores, 3, 7 e 9 (offset=5 unidades)

27 5 Comparando-se os resultados obtidos nos testes sem perturbações e para falhas múltiplas, verifica-se que a 3 consegue reconstruir os sinais dos sensores com um MAPE menor do que 2%. Além disso, a média da diferença entre esses casos e quando não existem perturbações nos sensores é de,34% do MAPE. Portanto, os erros estão dentro do limite estabelecido para o conjunto de sensores analisado. Uma conclusão fundamental, e que atesta a validade da proposta deste trabalho, é que as três redes apresentaram excelente capacidade de generalização. Quando treinadas com perturbações em medidas de apenas dois sensores, por exemplo, foram capazes de reconstruir, na fase de testes, os sinais de todos os sensores, com erro mínimo Resultados do Modelo de Auto-Validação Esta seção apresenta os resultados dos módulos que compõem o modelo de auto-validação. Neste caso, os modelos são testados com falhas do tipo desvio e offset em um único sensor e em múltiplos sensores Resultados do Módulo de Detecção de Falha De acordo com o capítulo 4, quando um sensor está funcionando corretamente, o resíduo (diferença entre a entrada e a saída do modelo de autocorreção) deve ter uma média aproximadamente zero e uma variância comparável à variância dos resíduos para os dados de treinamento. Se houver um desvio nas medições do sensor, a média residual apresentará uma mudança e, assim, a razão de verossimilhança aumentará. Se este aumento for superior ao limite definido pelo usuário, os resíduos serão mais propensos a pertencer ao modo de falha do que ao modo normal (sem falha); o sensor é, então, classificado como descalibrado. Tanto a probabilidade de falso alarme quanto a de ausência de alarme devem ser definidas pelo especialista. Assim, os limites A e B da equação 6 devem ser escolhidos em função da faixa de trabalho e do tipo de sensor (Hines e Garvey, 27). Para testar a metodologia, foram consideradas perturbações nas medições dos sensores dos Grupos e 3. Os resíduos entre as respostas geradas pelo modelo de auto-correção e as entradas foram inseridos no Módulo de Detecção de Falha (MDF). No primeiro teste foi considerado um erro do tipo offset de 2 na medição do sensor 9/Grupo 3 (Temperatura do ECM no motor), no minuto

28 6 9. A probabilidade de falso alarme foi fixada em, (ou %), e a de ausência de alarmes, em, (ou %). Na Figura 42, o gráfico superior apresenta o erro no sinal de medição e a resposta da 3 ; o gráfico inferior esquerdo mostra o resíduo nos sinais, e o gráfico inferior à direita mostra a resposta do MDF. Como pode ser observado, o modelo detecta corretamente a falha. 5 Temperatura do ECM Resíduo SPRT Figura 42. Resposta do MDF frente ao erro no sensor 9/Grupo 3 (offset=2 ) O MDF foi testado, também, para um desvio de,2 por minuto no Sensor /Grupo (Temperatura de escape no cilindro LB) a partir do instante 5. Tendo em consideração que a faixa de medição neste sensor é maior do que no caso anterior, os limites estabelecidos para a detecção de falso e ausência de alarme foram variados. Assím, neste caso, a probabilidade de falso alarme foi fixada em,5, e a de ausência de alarme, em,. A Figura 43 mostra o desvio no sinal de medição e a resposta da, o resíduo nos sinais e a saída do MDF. Como se observa, o modelo responde corretamente no momento em que o desvio ocorre. 2 Temperatura de escape cilindro LB Residuo SPRT Figura 43. Resposta do MDF frente ao desvio no sensor /Grupo (5 por minuto) Finalmente, o MDF foi testado para uma falha simultânea nos sensores, 3, 7 e 9 do Grupo 3. Foi simulado um offset de 5 unidades ao mesmo tempo durante os primeiros 2 minutos (cf. Figura 4). A probabilidade de falso alarme

29 7 foi fixada em, e a de ausência de alarme em, nos quatros sensores. A Figura 44 mostra a saída do MDF para os quatro sensores. Como se observa, o modelo responde corretamente durante o tempo em que o offset ocorre. Módulo de Lógica de Detecção SPRT.5 SPRT SPRT.5 SPRT Figura 44. Respostas do MDF frente às falhas simultâneas nos sensores do Grupo Resultados do Modelo de Confiabilidade e Classificação De acordo com o capítulo 4, quando um sensor não apresenta falha, é possível afirmar que a confiabilidade do sensor é alta e que são fornecidas leituras correspondentes ao mensurando analisado. Já quando o sensor se degrada, como resultado de um envelhecimento, suas leituras geram dados incorretos que afetam o processo. De forma que o operador possa verificar o estado do sensor e do modelo de auto-correção desenvolvido nesta pesquisa, uma etapa de auto-validação fornece a confiabilidade das medições e ajuda a decidir quando retirar o instrumento do campo, gerando prioridades na gestão das calibrações da planta. Para testar a metodologia proposta no modelo de auto-validação, foram simuladas descalibrações nos sensores dos grupos 2 e 3. Os resíduos entre as respostas geradas pelo modelo de auto-correção e as entradas foram inseridos no modelo de auto-validação. O primeiro teste do modelo de auto-validação foi efetuado para uma entrada com múltiplas falhas: as medições dos sensores, 3, 7 e 9, entradas da 3, foram corrompidas com um offset de 5 unidades ao mesmo tempo (cf. Figura 4) durante 2 minutos. Os resíduos foram normalizados no intervalo [-,] em função do valor máximo da sua faixa de medição e foram fixadas as

30 8 correlações médias para cada sensor. A Tabela 22 resume os valores selecionados para o teste. Tabela 22. Valores máximos para a normalização dos resíduos Sensor Falha: Erro Valor Correlação Offset (%) Máximo Sensor 5 2,94 7, ,34 22, , , 6,26 A Figura 45 apresenta os resultados do modelo de auto-validação. São mostrados os gráficos dos resíduos obtidos após executado o modelo de autocorreção (esquerda), do módulo de confiabilidade (centrais) e do módulo de classificação das falhas avaliadas (direita). Sensor Sensor 3 Sensor 7 Sensor 9 5 Resíduos Confiabilidade Classificação Figura 45. Respostas do modelo de Auto-Validação a falhas nos sensores, 3, 7 e 9 (offset=5 unidades) É possível perceber que o módulo de confiabilidade gera respostas com valores próximos a, indicando uma confiabilidade alta dos sensores na faixa de medição. Da mesma forma, as respostas do módulo de classificação indicam que os sensores podem permanecer no processo devido à boa ação do modelo de auto-correção (cf. Tabela 2). Com a finalidade de testar outros estados do modelo de auto-validação, foram simulados erros súbitos de maior magnitude. Assim, considera-se uma entrada com duas falhas: as entradas da 2, correspondentes aos sensores e 4, foram corrompidas com um desvio de,2 unidades durante 6 minutos. Atingida a falha máxima (2 unidades), o sinal é mantido com essa

31 9 variação ao longo dos 4 minutos restantes. Os resíduos foram também normalizados no intervalo [-,] em função do valor máximo da sua faixa de medição. Finalmente, as correlações médias para cada sensor foram fixadas no modelo. A Tabela 23 apresenta os parâmetros escolhidos neste modelo. Tabela 23. Parâmetros escolhidos às falhas nos sensores e 4. Falha: Erro Sensor Desvio Max. Valor Correlação (max) (%) Máximo Sensor 2 3 4, ,63 A Figura 46 apresenta os resultados do modelo de auto-correção e a Figura 47 apresenta as respostas do modelo de auto-validação (a disposição dos gráficos segue o mesmo formato utilizado no teste anterior). É possível perceber que a confiabilidade do sensor (Pressão do ar na saída do turbo de alta esquerdo) diminui até atingir uma confiabilidade média final de,45, resultado da magnitude da falha (3% erro) em uma faixa de medição que possui um valor máximo de 4. No entanto, a boa resposta do modelo de auto-correção faz com que o módulo de classificação indique que o sensor pode ser mantido no processo, mas com a necessidade de agendamento de uma nova calibração (classificação =.5). Já no caso do sensor 4, (Temperatura do ar no aftercooler posterior esquerdo), a confiabilidade do sensor é alta (aproximadamente,85), devido à baixa magnitude da falha em comparação com a sua faixa de medição. Assim, o módulo de classificação indica que o sensor pode ser mantido no processo (classificação=). Portanto, o especialista, no momento de programar novas calibrações, dará prioridade ao sensor. 4 2 Pressão do ar na saída do turbo de alta esquerdo Descalibrado Calibrado Temperatura do ar no aftercooler posterior esquerdo Figura 46. Respostas do modelo de auto-correção às falhas nos sensores e 4

32 Sensor 5 Resíduos 5.5 Confiabilidade 5.5 Classificação 5 Sensor Figura 47. Respostas do modelo de auto-validação às falhas nos sensores e 4. Um terceiro teste foi realizado considerando-se um desvio de,2 por minuto no sensor 9 ao longo da sua faixa de medição; após 639 amostras, o desvio final é de 2 (cf. Figura 48). 6 Sensor 9 - Temperatura no ECM Objetivo Desvio Figura 48. Resposta da 3 à falha no Sensor 9 - Grupo 3 Da mesma forma que nos casos anteriores, os resíduos foram normalizados entre [-,], correspondente a uma falha máxima de ±6 (%). A Figura 49 apresenta as respostas do modelo de auto-validação referente à falha avaliada: os resíduos ao longo do tempo (gráfico superior), os resultados do módulo de confiabilidade (central) e do módulo de classificação (inferior).

33 2 Temperatura do ECM - Grupo 3 Resíduo Confiabilidade Classificação Figura 49. Resposta do modelo de Auto-Validação ao desvio no Sensor 9-Grupo 3 Verifica-se que o resíduo gerado pela 3 representa o tipo de falha existente no sensor (cf. Figura 49 - gráfico superior). Quando o resíduo gerado ultrapassa os, é possível perceber que a confiabilidade começa a diminuir, até chegar a um valor estável de,75, indicando que o sensor possui uma confiabilidade boa apesar da sua degradação. Por outro lado, o módulo de classificação, fixado com uma correlação de entrada de,26, correspondente à correlação média entre o sensor falho e os 8 sensores restantes da 3, indica que, ainda com uma falha máxima no sensor de 2 (2,5% na faixa de medição), o especialista pode confiar que a 3 realizará uma excelente aproximação das medições do sensor falho. Portanto, este pode ser mantido no processo (saída do módulo de classificação igual a ), sem necessidade de se realizar uma calibração imediata (cf. Figura 49 - gráfico inferior). Como último teste, foi simulado um desvio de, por minuto no primeiro sensor do grupo 2 (Pressão do ar na saída do turbo de alta esquerdo), obtendo-se como falha máxima, após 639 minutos de simulação, um desvio igual a 6 (cf. Figura 5). Os resíduos gerados pela 2 foram normalizados em função do valor máximo da faixa de medição (4 ). Assim, o desvio de 6 corresponde a um erro de 4% da faixa de medição, falha que representa um estado grave do sensor.

34 2 4 Pressão do ar na saída do turbo de alta esquerdo Descalibrado Calibrado Figura 5. Resposta da 2 à falha no sensor -Grupo 2 A Figura 5, a seguir, apresenta as respostas do modelo de auto-validação para a falha avaliada. O gráfico central mostra a baixa confiabilidade atingida pelo sensor para a falha simulada. Residuo (pis) Confiabilidade Classificação 2 Pressão do ar na saída do turdo de alta esquerdo Figura 5. Resposta do modelo de auto-validação O módulo de classificação indica que a partir do minuto, quando o erro é de (equivalente a 29% da faixa de medição), deve-se agendar uma nova calibração do sensor. A 2 realiza uma estimativa aproximada do sinal avaliado sem conseguir uma estimação exatamente igual à medida fornecida por um sensor calibrado (cf. Figura 52). No entanto, uma falha deste tipo é incomum nos sensores industriais.

35 3 Pressão do ar na saída do turbo de alta esquerdo Descalibrado Calibrado Figura 52. Detalhamento da resposta da 2 à falha do sensor Os bons resultados obtidos em todos os módulos que formam o sistema proposto mostram que o monitoramento contínuo dos sensores com defeito pode fornecer aos operadores informações adicionais para auxiliá-los a operar a planta da maneira mais apropriada e aumentar a sua eficiência.