Uma Proposta de Sistema Cliente/Servidor OPC Integrado com Regressão Kernel Auto-Associativa para Estimação de Sensores e Manutenção Preditiva

Transcrição

1 Uma Proposta de Sistema Cliente/Servidor OPC Integrado com Regressão Kernel Auto-Associativa para Estimação de Sensores e Manutenção Preditiva Francys Reymer Rodrigues Maciel, Joao O. P. Pinto Departamento de Engenharia Elétrica/BATLAB Universidade Federal de Mato Grosso do Sul Campo Grande - MS, Brasil francys.reymer@gmail.com, joao.pinto@nin.ufms.br Luigi Galotto Jr, Angelo Darcy Molin Brun Departamento de Engenharia Elétrica/BATLAB Universidade Federal de Mato Grosso do Sul Campo Grande - MS, Brasil luigi@batlab.ufms.br, angelodarcy@batlab.ufms.br Resumo Este artigo descreve brevemente uma proposta de desenvolvimento de um sistema que além de possuir capacidade de efetuar manutenção preditiva, em plantas industriais através de modelos kernel, possui também técnicas inteligentes e com maior eficácia para agrupar sensores para estes modelos. Outra característica fundamental é a integração com o protocolo OPC, muito utilizado na indústria e amplamente sendo visto como principal ferramenta de comunicação entre aplicações e controladores lógicos programáveis (CLP s) nos próximos anos [2,3]. A inteligência artificial também tem ganhado grande importância, principalmente em ambientes industriais, onde a independência da parte humana traz menos riscos à segurança. Deste modo, o uso da regressão kernel é um pequeno exemplo de uma técnica que pode solucionar grandes problemas cotidianos e aumentar consideravelmente a confiabilidade em sistemas de automação. I. INTRODUÇÃO A manutenção preditiva consiste em detectar quando uma falta irá acontecer, podendo, desta forma, avisar adequadamente os operadores de uma planta industrial o período ideal para efetuar reparação nos equipamentos. Desta forma, reduz os riscos de acidentes e diminui prejuízos ocasionados por paradas não programadas. Técnicas de inteligência artificial foram utilizadas e consequentemente melhoradas com o intuito de atuar como manutenção preditiva [1-5]. Em uma técnica de manutenção preditiva, onde modelos kernel são utilizados como técnica para este caso é necessário utilizar outros métodos inteligentes para tornar o sistema mais eficiente como técnicas que visam o agrupamento de sensores, como pode ser visto na seção AGRUPAMENTO DE SENSORES. Além disso, embutir um servidor e cliente com protocolo OPC (uma breve explicação sobre este protocolo é descrito na seção PROTOCOLO OPC) é uma aplicação inédita, que além, de ser capaz de realizar a leitura de um barramento com CLP s também será capaz de disponibilizar os dados para outras aplicações. Este sistema além de ser capaz de alertar sobre falhas em sensores, também será um cliente OPC, pois assim o sistema ficará independente de softwares de terceiros para que a leitura dos CLP s seja realizada, e será também um servidor OPC, para permitir o uso das estimações dos sensores em outros softwares, como sistemas de supervisão e controle já utilizados pela indústria. Com isto, este sistema permitirá aplicações ainda não existentes hoje como, por exemplo, a substituição de um sensor por um sinal estimado na malha de controle, permitindo que o sensor seja retirado para a manutenção sem a interrupção da planta. Isto será possível, com a técnica de regressão kernel, cujo método será de auto-associação, isto é, as entradas (amostras dos sensores) são as mesmas utilizadas como saídas para treinar o modelo, e então, tentar reconhecer faltas nos sensores. Outra característica deste sistema é a inserção de algumas técnicas inteligentes para agrupamento de sensores, onde a preocupação com o agrupamento será a mínima possível por parte do operador, proporcionando, assim, melhor monitoramento e mais independência da parte humana. Além disto, diferentes técnicas de otimização [5] também poderão ser apresentadas. Um esquema básico de funcionamento do sistema descrito pode ser visualizado na figura 1. No esquema apresentado um servidor OPC, que no caso serão os CLP's de uma planta industrial responsáveis por fornecer a medição dos sensores, fornecerá as amostras quando o cliente OPC embutido no aplicativo proposto requisitá-las. O cliente OPC além de transmitir estes dados para um servidor OPC próprio, também embutido dentro do mesmo aplicativo, que seja capaz de replicar os dados para outros UFMS Departamento de Engenharia Elétrica BATLAB - Laboratório de Inteligência Artificial, Sistemas Digitais e Eletrônca de Potência.

2 Figura 1. Esquema do sistema a ser desenvolvido. sistemas também fará o tratamento destes dados de forma inteligente. Com as amostras em posse do sistema é possível aplicar as técnicas para agrupamento de sensores e consequentemente utilizá-los para o desenvolvimento dos modelos kernel que serão a base para a estimação dos sensores. Um grande diferencial da proposta deste sistema a ser desenvolvido é que outras informações, além de medições, tais como os modelos kernel, poderão ser disponibilizados para outros sistemas de software utilizados pela indústria. Outra proposta inovadora para o aplicativo, para futura implementação, é estabelecer funções que permitam o agrupamento automático de sensores. Com o passar do tempo, com o sistema já implantado, o mesmo seria capaz de "deduzir" os melhores grupos de sensores, ou seja, a melhor correlação seria encontrada aumentando a independência de operadores humanos. II. PROTOCOLO OPC O OPC (OLE Process Control) é um protocolo, baseado inicialmente na tecnologia OLE/DCOM da Microsoft, que tem por intuito de abstrair o uso de drivers dos proprietários de CLP s, isto significa que esta tecnologia fornece interoperabilidade entre os vários fabricantes existentes no mercado [2-3]. Este protocolo é baseado em clientes e servidores, onde mesmo sendo de vários fabricantes diferentes a comunicação ainda torna-se possível e, além disso, é capaz de fornecer robustez as aplicações, como pode ser visto na figura 2. Pensando em portabilidade e aplicabilidade, um dos objetivos deste artigo é apresentar um sistema de monitoramento que será descrito na próxima seção. III. REGRESSÃO KERNEL Regressão kernel é uma técnica não paramétrica que através de dados encontrados na memória estimam um valor aproximado com base em uma regressão ponderada [4], isto é, com base nos dados obtidos é realizada uma regressão onde observações mais próximas (ou mais distantes) possuem peso maior influenciando em uma estimação aproximada como pode ser observado na figura 3 [1]. Essa regressão também é conhecida como regressão localmente ponderada e utiliza como função matemática mais comum a gaussiana. Deste modo, como pode ser visualizado na equação (2), um cálculo é realizado levando-se em conta a distância do dado de entrada com os dados mais próximos, onde K(d) é a função representada por uma gaussiana em (1). Figura 2. Diagrama demonstra a interoperabilidade entre os vários clientes e servidores em uma planta industrial.

3 y(q) = Figura 3. Ilustração de uma regressão kernel. w! = K(d) = e!!! (1)!!!!!".!"!!" =!!!!!!".!(!(!",!))!!! (2)!!!(!(!",!)) Os pesos (wi) são responsáveis pela suavização da estimação a ser obtida e precisam ser testados empiricamente para detectar um valor ótimo a fim de estimar a função dada. IV. AGRUPAMENTO DE SENSORES Neste aplicativo proposto é utilizado duas técnicas para o agrupamento automático de sensores: a regressão kernel e redes neurais do tipo mapas auto-organizáveis (SOM - Self- Organizing Maps). A regressão kernel além de ser utilizada como técnica de manutenção preditiva também permite seu uso para otimização de agrupamento de sensores. No método de agrupamento com a regressão kernel é calculada uma correlação não linear entre os sensores e esta correlação é utilizada como base para o agrupamento dos sensores. Redes neurais do tipo SOM possuem treinamento não supervisionado, significando que é possível determinar a correlação entre os dados, sem conhece-los previamente. Deste modo, agrupamento de padrões é uma ótima finalidade para esta técnica e encaixa-se perfeitamente para agrupamento de sensores em que o padrão é a correlação entre as amostras dos sensores. Com o uso destas técnica, é possível dividir os dados em três diferentes porções: constantes, inválidos e os grupos já formados. Os sensores constantes são aqueles valores cujo desvio padrão é pequeno, isto é, não possuem grande variabilidade e portanto podem ser agrupados em um grupo separado. Os sensores considerados inválidos são aqueles que possuem uma porcentagem de amostras não coletadas, geralmente, ocasionadas por problemas de comunicação no sistema e, portanto, não são utilizados pelo modelo. V. MÉTODOS PARA SELEÇÃO DE CONJUNTOS DE DADOS Um fator muito importante para avaliação dos modelos, além das métricas descritas na próxima seção MÉTRICAS DE AVAIAÇÃO DOS MODELOS, é selecionar corretamente os dados em conjuntos para serem utilizados como treinamento, teste e avaliação. Os dados de treinamento são um conjunto utilizado para se desenvolver um modelo, enquanto que os dados de teste são utilizados para aplicar métricas de avaliação, e através delas analisar se o modelo é capaz de resolver o problema para o qual foi desenvolvido. Por último, é necessário obter um conjunto de avaliação, cuja função é simular o modelo com dados reais para validá-lo. Alguns métodos são descritos a seguir e eles são: "Primeira metade/segunda metade", "Blocos" e "Aleatório". A. Primeira Metade/Segunda Metade Este método procura dividir todo o conjunto de dados em apenas dois grupos, porém, uma função pode estar mais adiantada no tempo o que prejudicaria a construção do modelo. B. Blocos Dividir os dados em blocos é provavelmente a melhor solução, pois neste caso, o modelo é treinado, testado e avaliado em condição de igualdade para todas as situações possíveis sem ocasionar problemas de sobreajuste, entre outros. Este método de seleção também é conhecido como seleção em venezianas e foi escolhido para a elaboração do modelo kernel para manutenção preditiva. C. Aleatório Outra técnica para seleção de dados na memória é escolher aleatoriamente os dados na amostra, porém, problemas como citados no item A, poderiam ocorrer. VI. MÉTRICAS DE AVALIAÇÃO DOS MODELOS Alguns parâmetros são usados como métrica para avaliar a qualidade dos modelos obtidos. Estes parâmetros são: precisão, sensibilidade e filtragem. A precisão é simplesmente o erro quadrático médico (EQM) entre a saída estimada do modelo com a saída real, como pode ser notado na equação 3, utilizando dados sem desvio ou ruído. EQM =!!!!!!(y!" y!" )! (3) A auto-sensibilidade, também denominada robustez, e a sensibilidade cruzada, também denominada espelhamento, são obtidas com a matriz de sensibilidade, cuja, função é verificar um efeito em determinada saída (j) pelo desvio aplicado em determinada entrada (i). A equação da matriz de sensibilidade pode ser visualizada na equação 4. S!" =!!"#$%&!!"#$%& (4)

4 Outra métrica de avaliação para o modelo é denominada filtragem (5), uma matriz que possui o mesmo processo da matriz de sensibilidade, porém, um ruído, gerado aleatoriamente, é aplicado para simular uma falha na amostra. F!" =!!"í!"!!"í!" VII. RESULTADOS PRELIMINARES E DISCUSSÕES Alguns testes foram realizados para comparação das técnicas utilizadas para agrupamento de sensores e também foi demonstrado o funcionamento da regressão kernel. Os testes utilizam dados de uma refinaria de purificação de óleo diesel como exemplo real. Estes testes foram realizados em um toolbox do Matlab que está sendo desenvolvido para avaliação (5) de todas as metodologias antes da implementação do sistema proposto em um aplicativo. O toolbox, em desenvolvimento, fornece algumas funções, para testes iniciais, sobre agrupamento e também para a estimação de sensores utilizando como técnica a regressão kernel. Métodos como redes neurais do tipo SOM e a própria regressão kernel fazem parte desta ferramenta. Na figura 4a, pode ser visto a comparação de um sinal real com a estimação fornecida pelo modelo kernel utilizado. Aplicando uma rampa ao mesmo sinal utilizado anteriormente, com o intuito de simular uma falha, é possível verificar, na figura 4b, que o modelo possui uma boa sensibilidade a falhas, pois o mesmo não reproduz essa alteração na amostra. (a) Figura 4. Comparativo entre a amostra de um sensor com sua estimação gerada pelo modelo kernel (a) sem erro e (b) com erro simulado aplicado na amostra original. (b) Na tabela I pode ser visualizado os dados obtidos com as métricas citadas na seção anterior. TABELA I. TABELA COMPARATIVA DOS MÉTODOS DE AGRUPAMENTO. Redes Neurais SOM Kernel Grupos 6 7 Sensores agrupados Precisão e e-2 Robustez e e-1 Espelhamento e e-1 Filtragem e e-1 Correlação Múltipla Linear (R 2 ) Correlação Múltipla Kernel e e e e-1 A regressão kernel mostrou-se, com diferença mínima, superior a rede neural do tipo SOM. Neste caso, foram utilizados amostras de 66 sensores da refinaria, onde nenhum foi dado como inválido, sendo 7 como constantes e 59 como sensores válidos. Para este tipo de amostra foram geradas, para as redes neurais SOM e regressão kernel, 6 e 7 grupos de sensores correlacionados, respectivamente. Na figura 5 pode-se observar o resultado para a técnica de agrupamento que utiliza redes neurais do tipo SOM. Um total de 6 grupos foram formados para este setor da planta industrial. Para cada grupo temos o erro quadrático médio, a correlação múltipla linear, a correlação múltipla kernel, além das métricas de filtragem, e sensibilidade que corresponde a robustez e espelhamento. Para o modelo em questão podemos concluir que possui boa capacidade preditiva, e os grupos estão bem correlacionados.

5 (a) (b) (c) Figura 5. Resultado das métricas utilizadas para avaliar o modelo que utiliza como agrupamento a rede neural do tipo SOM. O modelo com agrupamento kernel também mostrou-se adequado com bons resultados como apresentado na figura 6. A Figura 6 (a) mostra os 7 grupos que foram gerados com valores de correlação muito semelhantes ao outro método já citado anteriormente. A figura 6 (b) apresenta a correlação kernel e a multicorrelação de cada um dos grupos, concluindo que de modo geral os grupos possuem ótima correlação, isto é, todos os grupos de sensores estão com um valor próximo de 1 entre si. A figura 6 (c) apresenta as métricas de robustez, espalhamento e filtragem que mostraram-se com os melhores resultados testados, embora com diferença mínima se comparado as redes neurais do tipo SOM. Com base nestes resultados preliminares conclui-se que o modelo ótimo a ter preferência no desenvolvimento deste aplicativo é a regressão kernel, já que além de testes rigorosos realizados nesta pesquisa, fica evidente a escolha deste método devido a sua facilidade de entendimento e consequentemente implementação em um sistema computacional. Esta técnica também leva vantagem sobre uma rede neural no que diz respeito a performance e desempenho em sistemas computacionais, pois, como já citado anteriormente, é um método extremamente simples e capaz de modelar problemas de grande complexidade.

6 (a) (b) (c) Figura 6. Resultado das métricas utilizadas para avaliar o modelo que utiliza como agrupamento a regressão kernel. VIII. CONCLUSÃO Este trabalho apresentou o conceito de um sistema de software Cliente/Servidor OPC integrado com modelos de regressão kernel auto-associativa. Foi apresentado também uma simulação da aplicação com um comparativo de técnicas de agrupamento e o diagrama do funcionamento. A sua utilização permitirá realizar a manutenção preditiva e técnicas de controle inovadoras, a partir dos sistemas já utilizados pela indústria como os supervisórios e o PI. Uma possível contribuição futura para este sistema seria implementar agrupamento automático dos sensores utilizando dados históricos, desta forma, o aplicativo ganharia autonomia aumentando a praticidade da sua utilização sem perder a confiabilidade estimações. REFERÊNCIAS [1] L. Galotto, J. O. P. Pinto, B. Ozpineci, L. C. Leite, L. E. Borges da Silva, Sensor Compensation in Motor Drives using Kernel Regression, Proceedings on the IEEE International Electric Machines and Drives Conference, [2] Li Zheng, Nakagawa, H., OPC (OLE for process control) specification and its developments, SICE Proceedings of the 41st SICE Annual Conference, [3] Mai, Son; Vu, Van Tan; Myeong-Jae Yi, An OPC UA client development for monitoring and control applications. Strategic Technology (IFOST), th International Forum on, [4] Atkeson, C. G., Moorey, A. W., Schaalz, S. Locally Weighted Learning, [5] Galotto, L., et al. Genetic Algorithm Based Threshold Selection For Fault Detectors. Comadem : s.n., 2006.