Simulação de Cálculos de Vazão de Fluidos Compressíveis Através de uma Rede Neural em Ambiente Foundation Fieldbus

Transcrição

1 Simulação de Cálculos de Vazão de Fluidos Compressíveis Através de uma Rede Neural em Ambiente Foundation Fieldbus Denis Borg, Marcelo Suetake, Dennis Brandão Laboratório de Automação Industrial, Laboratório de Automação Inteligente de Processos e Sistemas Departamento de Egenharia Elétrica, Escola Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400, São Carlos, SP, Brasil borgdenis@yahoo.com.br, mclsuetake@usp.br, dennis@sc.usp.br Resumo Este trabalho propõe o desenvolvimento de uma rede neural artificial direcionada a ambientes Foundation Fieldbus para simular um transmissor multivariável de cálculo de vazão. Para tanto, a metodologia proposta utiliza-se de medidas de pressão, temperatura e pressão diferencial, as quais normalmente estão disponíveis em plantas industriais. A principal motivação do emprego das redes neurais reside no seu baixo custo e simplicidade de implementação, o que possibilita o emprego de apenas blocos padrões tornando a metodologia independente do fabricante. I. INTRODUÇÃO Os transmissores multivariáveis para aplicações em medição de vazão por meio de placas de orifício surgiram no final do século XX. Basicamente, tais transmissores são de pressão diferencial que possuem um transdutor interno de pressão estática. Um termorresistor pode ser ligado diretamente à eletrônica do transmissor, a qual consiste de um computador de vazão capaz de efetuar os cálculos em conformidade com as normas internacionais [1], tais como AGA3 e ISO5167. A Figura 1 ilustra uma correlação entre o instrumento multivariável e a sua equivalência quanto às funcionalidades dos transmissores mais comuns. A transmissão do valor calculado da vazão é realizada por via analógica ou por comunicação digital que permite também a transmissão de valores das outras variáveis como pressão diferencial, pressão estática e temperatura [1]. Figura 1. Transmissor multivariável acoplado a um elemento deprimogênio (annubar). Figura 2. Comparação da utilização de um multivariável com a medição tradicional. Na Figura 2 são comparados os sistemas que utilizam transmissores separados e o multi-variável em HART. Atualmente, encontram-se no mercado alguns instrumentos multivariáveis como o 3095 e o 3051SMV da Rosemount (divisão da Emerson Process Management), o EJX910A da Yokogawa, e o SMV3000 da Honeywell. A partir da leitura das variáveis dinâmicas de pressão e temperatura, o instrumento multivariável realiza cálculos complexos para se determinar o valor da vazão. O tipo do elemento primário (placa de orifício, annubar, bocal, etc.) bem como as dimensões da tubulação, o valor de β (razão entre o orifício da placa e o orifício da tubulação) também são variáves levadas em consideração no cálculo da vazão [2]. Tais instrumentos apresentam alta precisão na computação do valor da vazão, cujo erro é na ordem de apenas 1,0 % da vazão mássica [3]. Empregam-se inclusive em medições fiscais, por exemplo, de gás natural; ou para avaliação de consumo de gases industriais ou hospitalares; ou ainda, em aplicações de balanço de massa nas mais diferentes indústrias. Entretanto, o custo de implantação do instrumento é relativamente elevado. Os resultados de recentes estudos em aplicações industriais e simulações de plantas destacam a crescente utilização de sistemas inteligentes como um soft sensor, ou seja, um sensor

2 baseado preferencialmente em software, ao invés de hardware [4]. Um soft sensor pode apresentar diversas aplicações práticas, tais como a estimação do ponto de congelamento de querosene em unidades de destilação atmosférica [5], o modelamento de processos e controle na indústria de cana-deaçúcar e etanol [6], o cálculo de vazão de carvão pulverizado mediante técnicas de inferência fuzzy [7]. Em [8] é proposto uma arquitetura multi-agente baseada em Redes Neurais Artificiais (RNA) que permite incorporar nas redes industriais Foundation Fieldbus, as aplicações de sistemas inteligentes baseados apenas em blocos funcionais padrão dos dispositivos de campo. Tal arquitetura viabiliza a alocação de recursos (algoritmos) em sensores e atuadores que permitem realizar determinadas tarefas para auxiliar os supervisores a detectar e solucionar problemas na rede, tais como filtragem de ruído, predição e calibração. Conseqüentemente, conduz-se a uma melhoria no suporte de decisão em ocorrências no nível da planta e permite um funcionamento ainda mais independente da intervenção humana. O trabalho desenvolvido em [9] descreve que a medição tradicional de vazão por ultrassom não é precisa, uma vez que sua saída varia com as características do fluido, a temperatura, a pressão, entre outros. Neste contexto, uma compensação efetiva da temperatura foi realizada empregando-se técnicas baseadas em RNA para assegurar a precisão e a sensibilidade da medição. Conforme os resultados obtidos em [9], a RNA se mostrou eficaz no tratamento do modelo não linear e na auto aprendizagem. Notaram-se uma redução no erro de medição de 5,2 % para 3,0 % com o emprego da técnica neural. Em sistemas dinâmicos, as falhas podem causar alterações em parâmetros críticos do sistema. Para evitar prejuízos e acidentes, considera-se vital que os estados não desejáveis ou não permitidos sejam previamente detectados para se tomar medidas preventivas. Em [10] é proposto um sistema baseados em RNA que realiza a identificação de falhas e isolação em um sistema de medição de níveis. Em [11] elucida-se que os fatores chaves de especificação de produtos em uma coluna de destilação a vácuo consistem na densidade, viscosidade, coloração, entre outras características. Dentre tais fatores, a viscosidade é geralmente a variável que apresenta maior limitação na qualidade. Embora existam medidores de viscosidade online no mercado, seus preços são geralmente elevados e a confiabilidade pode ser baixa. Neste contexto, um soft sensor baseado em RNA para estimar o valor da viscosidade a partir de outras variáveis facilmente mensuráveis foi proposto. Neste artigo, desenvolveu-se um soft sensor baseado em RNA para estimar a vazão calculada por um transmissor multivariável. O foco principal consiste na simplificação dos cálculos da vazão mediante o projeto de uma RNA utilizandose apenas os blocos funcionais padrões (Standard Function Blocks) do ambiente Foundation Fieldbus. A principal vantagem obtida com a técnica proposta frente ao modo tradicional para a computação de vazão pelo uso de instrumentos multivariáveis consiste no seu baixo custo, em virtude do usuário, muitas vezes, já se dispor de um host em Foundation Fieldbus e receber as informações das variáveis de pressão diferencial e da temperatura do seu processo por meio de instrumentos de campo. II. O FOUNDATION FIELDBUS O Foundation Fieldbus é um sistema de comunicação totalmente digital e bidirecional que conecta equipamentos fieldbus, tais como sensores, atuadores e controladores. O Fieldbus consiste de uma rede local (LAN) para automação e instrumentação de controle de processos com capacidade de distribuir o controle no campo. Ao contrário dos protocolos de rede proprietários, o Fieldbus é regulado por um único organismo ou nação, não pertecendo a nenhuma empresa. A tecnologia é controlada pela Fieldbus Foundation, a qual consiste de uma organização não lucrativa que se constitui de mais de 100 dos principais fornecedores e usuários de controle e instrumentação do mundo. O Foundation Fieldbus mantém muitas das características operacionais do sistema analógico 4-20 ma, tais como a interface física padronizada da fiação, os dispositivos alimentados por um único par de fios e as opções de segurança intrínseca, oferecendo também uma série de benefícios adicionais aos usuários [12]. Os principais benefícios consistem na interoperabilidade e uma quantidade maior de informação ao usuário. Desta forma, um dispositivo fieldbus pode ser substituído por um similar de outro fornecedor na mesma rede, dispondo de uma maior funcionalidade e mantendo as características originais. Isto permite aos usuários mesclar dispositivos de campo e sistemas de vários fornecedores. Dispositivos individuais fieldbus podem também transmitir e receber informações de instrumentos multivariáveis, comunicando-se diretamente entre si sobre o barramento fieldbus, permitindo que novos dispositivos sejam adicionados ao barramento sem interromper o controle. Mediante o Foundation Fieldbus, as variáveis múltiplas de cada dispositivo podem ser fornecidas ao sistema de controle da planta para geração de banco de dados, análises de tendência, estudos de otimização de processo e geração de relatórios. O acesso centralizado de tais dados permite um ajuste fino do processo para uma melhor operação, reduzindo o tempo ocioso da planta e proporcionando um maior desempenho do sistema [12]. As especificações técnicas do Foundation Fieldbus são baseadas no modelo ISO/OSI e consistem de três componenentes principais: a camada Física, o stack de comunicação e a camada do usuário. A camada física corresponde ao nível 1 do modelo OSI pode ser visualizada na Figura 3. O stack correponde ao nível 2 e 7 do OSI. O fieldbus não usa as camadas 3, 4, 5 e 6 do modelo OSI. A programação no ambiente fieldbus é realizada por meio de interligações de blocos funcionais, os quais executam funções de cálculos e de controle, entre eles, o bloco aritmético e o bloco caracterizador que são fundamentais na aplicação de uma RNA. O bloco aritmético é utilizado no cálculo de medições e combinação de sinais de sensores [13]. Conforme ilustrado

3 Figura 6. Aspecto de um bloco caracterizador no software Delta V com suas entradas e saídas. Figura 3. OSI). Comparação das camadas Fieldbus Foundation com o modelo Figura 7. Esquema interno do bloco caracterizador. Figura 4. Aspecto de um bloco aritmético no software Delta V com suas entradas e saídas. na Figura 4, o bloco aritmético apresenta 5 entradas. As duas primeiras são dedicadas a uma função de extensão de range. As três entradas restantes são combinadas com a PV em uma seleção de quatro funções de termos matemáticos que são úteis para uma variedade de medições. A Figura 5 ilustra esquema lógico de um bloco aritmético padronizado pela Fieldbus Foundation. O bloco aritmético foi utilizado para realizar as multiplicações das entradas pelos pesos da rede neural e também para somatórias. O bloco caracterizador de sinal apresenta duas seções, cada uma com uma saída que consiste de uma função não linear da entrada respectiva. A função é determinada por uma consulta a uma tabela única (look-up table) com as coordenadas x, y de 21 pontos cada. A Figura 6 ilustra o aspecto de um bloco Figura 5. Esquema interno do bloco aritmético. caracterizador, enquanto que a Figura 7 mostra o seu esquema lógico. O bloco calcula OUT_1 a partir de IN_1 e OUT_2 a partir de IN_2, usando as curvas dadas pelos pontos: [x 1 ; y 1 ], [x 2 ; y 2 ]... [x 21 ; y 21 ] em que x corresponde à entrada e y corresponde à saída [12]. Ressalta-se que os valores intermediários aos pontos de entrada da tabela são calculados mediante a interpolação linear. III. TREINAMENTO DA RNA Conforme mencionado na literatura [4] [6], [8] [11], [14], as RNAs demonstram ser uma excelente ferramenta para lidar com cálculos complexos e não lineares, sendo uma tendência cada vez maior em aplicações de redes de comunicação entre instrumento de campo, entre elas, Fieldbus Foundation. O cálculo do valor da vazão por métodos convencionais são não lineares e se utilizam de inúmeras funções exponenciais, tornando impraticável a implementação por meio de blocos funcionais padrão Fieldbus. Em contrapartida, as RNAs apresenta um baixo custo computacional e simplicidade de implementação. A computação envolvida em uma RNA do tipo Perceptron Multicamadas se reduz a simples multiplicações de matrizes e indexação de tabela (look-up table), desde que o processo de treinamento offline já esteja realizado [14], [15]. Neste trabalho, desenvolveu-se um soft sensor baseado em RNA para realizar a computação da vazão a partir das variáveis de pressão estática, pressão diferencial e temperatura, as quais são comumente instrumentadas em plantas industriais. A Figura 8 ilustra a configuração do estimador neural de vazão. Desta forma, possibilita-se projetar uma RNA utilizandose apenas os blocos funcionais padrões de uma rede Fieldbus Foundation, tornando a técnica genérica e independente de fabricante, pois este comumente utilizam blocos customizados. Mediante as simulações decritas na Seção IV, adquiriram-se os valores de entrada, ou seja, pressão estática, pressão dife-

4 RNA Pressão Temperatura Vazão Pressão Diferencial Estimador de Vazão Figura 8. Estrutura do estimador neural de vazão. rencial e temperatura; e seus respectivos valores de vazão, os quais foram empregados como base de dados de treinamento da RNA. A base de dados consistiu na totalidade de 616 padrões, os quais foram dividos em dois grupos contendo 523 padrões para o grupo de treinamento e 93 padrões para o grupo de validação da RNA proposta. As faixas de temperatura, pressão e pressão diferencial variam, respectivamente, entre 20 a 40 C, 1 a 5 Bar e 0 a 1000 mmh 2 O a 68 F. A topologia de RNA empregada para estimar a vazão é do tipo Perceptron multicamadas com algoritmo de treinamento backpropagation de Levenberg-Marquardt. A arquitetura da RNA foi determinada por métodos empíricos variando-se o número de neurônios e de camadas neurais até atingir um erro aceitável na prática. A arquitetura com o número mínimo de conexões consistiu de uma RNA com apenas uma camada neural oculta de 8 neurônios. A função de ativação dos neurônios da camada oculta foi a tangente sigmóide para mapear o comportamento não linear, enquanto que a função linear foi escolhida para o neurônio de saída em virtude do seu baixo custo computacional. A metodologia proposta exige que o treinamento da RNA, etapa em que se exige um esforço computacional relativamente elevado, seja realizado de forma offline, ou seja, antes de inserir o algoritmo no processo. Após o treinamento, utilizamse o conjunto de dados de validação para avaliar a capacidade de generalização da RNA para dados que não participaram do treinamento. Uma vez que arquitetura da RNA esteja avaliada e definida, extrai-se a matriz de pesos e limiares para serem inseridos no software compatível com a rede Fieldbus Foundation. Neste contexto, a RNA implementada com os blocos funcionais padrão realizará apenas o passo forward do Perceptron Multicamadas. IV. DESCRIÇÃO DO EXPERIMENTO Um laptop com o software EA (Engineering Assistant) foi utilizado para a comunicação com o transmissor multivariável do modelo 3095 da Rosemount mediante um HART modem da MACTEK. Salienta-se que foi empregado um transmissor de comunicação HART, ao invés de Fieldbus Foudantion, apenas para realizar o levantamento da base de dados de treinamento para a RNA. Este procedimento foi adotado em virtude da disponibilidade de um recurso computacional integrado ao EA Figura 10. Figura 9. Tela de escolha do fluido do processo. Tela de escolha do elemento deprimogênio e sua configuração. denomidada de Test Calculation, o qual permite a simulação de valores de vazão digitando-se as variáveis de entrada. Visto que tal ferramenta está disponível apenas para a versão HART, o transmissor 3095 não foi utilizado na rede Foundation Fieldbus. Entretanto, os algoritmos internos de cálculos de vazão do transmissor 3095 são exatamente identênticos para o HART e Foundation Fieldbus, conforme esclarescidos pelos especialistas em DPFlow da Rosemount. Na Figura 9 pode ser verificada a tela de escolha do fluido do EA, em que, neste caso, foi utilizado o ar como fluido do processo. A Figura 10 ilustra a tela que permite a escolha do elemento primário de vazão. Neste caso, empregou-se uma placa de orifício de 4,0 in e β igual 0,6. Ressalta-se que β é a razão entre o orifício da placa e o orifício da tubulação. Na Figura 11 é ilustrado a tela do software Test Calculation. Este software possibilita simular valores de pressão estática, temperatura e pressão diferencial e visualizar o valor da vazão mássica. Os valores digitados são enviados via HART para a

5 Figura 11. Tela do Test Calculation. Figura 14. Visão geral do Control Studio (Delta V) mostrando a estratégia dos blocos Fieldbus Foundation. Figura 12. Tela com valores dos pesos configurados no bloco aritmético. eletrônica do dispostivo 3095 que processa os dados e, após alguns segundos, informa o valor da vazão correspondente às entradas de acordo com a configuração residente na memória do Os valores dos pesos sinápticos e limiares da RNA treinada pelos passos descritos na Seção III foram utilizados para o desenvolvimento do estimador neural implementando no software para a rede Fieldbus Foundation. Para tanto, há a necessidade de desenvolver uma RNA do tipo Perceptron Multicamadas para realizar apenas o processo de estimação da vazão mássica. Para tanto, o bloco aritmético ilustrado na Figura 12 é fundamental para realizar a somatória de produtos dos pesos com as entradas da RNA. Os valores dos somatórios de produtos decorrente de cada bloco aritmético serão entradas da função tangente hiperbólica implementada pelo bloco caracterizador ilustrada na Figura 13. Conforme explanado na Seção III, este bloco realiza uma consulta de tabela (look-up table), em que os pontos intermediários são calculados por interpolação linear. Em virtude do bloco funcional padrão Fieldbus Foundation suportar apenas 21 pontos, a tangente hiperbólica foi parametrizada conforme os valores da Figura 13 para produzir um erro relativo médio de no máximo 1,0 % ao longo da curva. Figura 13. A tangente hiperbólica é configurada via uma tabela de 21 pontos no bloco Caracterizador. Adicionando-se os demais blocos aritméticos e realizandose a normalização dos valores de entrada e saída, bem como o links entre os blocos, o aspecto da RNA torna-se como ilustrado na Figura 14. Foram utilizados alguns blocos reduzidos (somadores e multiplicadores) apenas para simplificação da estratégia, entretanto poderiam ser utilizados os blocos comuns aritméticos sem qualquer prejuízo para o funcionamento da rede. V. RESULTADOS EXPERIMENTAIS O gráfico da Figura 15 ilustra o resultado dos erros relativos médios em relação ao conjunto de dados de validação da RNA. O resultado auxilia na análise de desempenho da generalização da RNA frente aos dados que não participaram do processo de treinamento. Nota-se que algumas amostras obtiveram erros com valores que ficaram muito acima da média. Provavelmente, tais dados poderiam estar distantes do domínio de treinamento, tornando mais difícil da RNA efetuar o seu mapeamento. Para conseguir melhores resultados, a inserção de uma maior quantidade de dados próximo a esse domínio durante o treinamento seria o procedimento mais indicado. O aumento do número de neurônios também seria uma alternativa aceitável. O erro relativo médio de estimação alcançado pela RNA foi de apenas 1,36 %. Embora esse valor não contemple as imprecisões das medições de pressão estática, pressão diferencial e temperatura que se somariam à esse erro, pode-se julgar esse erro atenderia a uma ampla gama de aplicações quando se compara ao erro sugerido em [3] de 1,0 %. Os resultados ilustrado na Figura 15 se tratam da análise de desempenho da RNA implementada em um computador pessoal. Desta forma, a tangente sigmóde é determinada com valores de alta precisão. Entretanto, com a implementanção da RNA em os blocos funcionais padrão Fieldbus Foundation, erros de cálculo da tangente hiperbólica estarão presentes em virtude da discretização da curva em 21 pontos. Neste contexto, para fins de comparação, a Figura 16 ilustra o resultado da RNA implementada em blocos funcionais padrão. Observa-se que o erro, como esperado, é levemente superior para este caso, atingindo a média de 1,43 %. Entretanto, este aumento não interfere de forma significativa no desempenho da RNA.

6 Erro Relativo (%) Erro Relativo para cada Amostra de Teste Amostras de Teste Figura 15. Gráfico do erro relativo dos 93 padrões de teste, considerando-se a simulação em computador pessoal. Erro Relativo tahnh Calculada (%) Erro Relativo tahn Tabelada (%) Erro Relativo para cada Amostra de Teste Amostras de Teste Figura 16. Gráfico do erro relativo dos 93 padrões de teste, considerando-se a tangente hiperbólica discretizada em 21 pontos. VI. CONCLUSÃO A partir do erro relativo médio de 1,43 % obtidos nos resultados, conclui-se que é possível aplicar uma RNA em ambientes Foundation Fieldbus para simular um transmissor multivariável para o cálculo de vazão de fluidos compressíveis. Uma dificuldade que poderia ser levantada seria as aplicações que sofrem alterações freqüentes do fluido do processo, o que traria a necessidade de downloads freqüentes dos novos pesos e limiares para a rede. Em determinadas situações, a quantidade e neurônios e o número de camadas podem necessitar de alterações. A grande maioria dos sistemas Fieldbus Foundation atualmente permitem downloads parciais, sem afetar, entretanto, o funcionamento de outras áreas da planta. Levando tal aspecto em consideração, haveria a possibilidade de alteração da arquitetura da RNA ou dos pesos e limiares para adequação da rede às novas condições de processo, tal como a alteração do fluido. Pode-se ainda ratificar que o emprego das RNAs tornam possível a utilização de blocos funcionais padrão Fieldbus Foundation já que cálculos mais complexos como funções exponenciais necessitariam de blocos especiais que não garantiriam a portabilidade e a interoperabilidade para outros sistemas Foundation Fieldbus. Essa aplicação tráz ainda o benefício do baixo custo de implementação quando comparado aos custos de um instrumento multivariável. AGRADECIMENTOS Os autores agradecem à Emerson Process Management por permitir a utilização do transmissor multivariável 3095, o software Engineering Assistant para configuração do multivariável e o Sistema Delta V para fazer executar a estratégia em ambiente Foundation Fieldbus [5], [13]. REFERÊNCIAS [1] G. J. Delmée, Manual de Medição de Vazão, 3rd ed. Edgard Blücher, [2] R. W. Miller, Flow Measurement Engineering Handbook, 3rd ed. McGraw-Hill, [3] Rosemount, Datasheet of Rosemount 3095 Multi-Variable Mass Flow Transmitter. Rosemount-Emerson Process Management, [4] M. J. Willis, Soft-sensing via artificial neural networks, in Proceedings of IEE Colloquium on Automation and Control in Food Processing, 1992, pp. 3/1 3/3. [5] R. Caponetto, G. Dongola, A. Gallo, and M. G. Xibilia, FPGA based soft sensor for the estimation of the kerosene freezing point, in Proceedings of IEEE International Symposium on Industrial Embedded Systems (SIES 09), 2009, pp [6] D. Devogelaere, M. Rijckaert, K. U. Leuven, C. Engineering, H. Jose, and A. Echeverria, Application of Feedforward Neural Networks for Soft Sensors in the Sugar Industry, in Proceedings of VII Brazilian Symposium on Neural Networks (SBRN 02), 2002, pp [7] C. Guixue, P. Weiguo, Z. Wei, and Z. Chao, A Soft-Sensor Method Based on Fuzzy Rules for Pulverized Coal Mass Flow Rate Measurement in Power Plant, in Proceedings of International Conference on Artificial Intelligence and Computational Intelligence, 2009, pp [8] V. Machado, A. Neto, and J. D. de Melo, A Neural Network Multiagent Architecture Applied to Industrial Networks for Dynamic Allocation of Control Strategies Using Standard Function Blocks, IEEE Transactions on Industrial Electronics, vol. 57, no. 5, pp , [9] Y.-x. Wang and Z.-h. Li, Temperature Compensation of Ultrasonic Flow Measurement Based on the Neural Network, in Proceedings of International Conference on Artificial Intelligence and Computational Intelligence (AICI 09)., vol. 3, 2009, pp [10] R. G. Fernandes, D. R. Cabral Silva, L. A. H. de Oliveira, and A. D. D. Neto, Faults Detection and Isolation Based On Neural Networks Applied to a Levels Control System, in Proceedings of International Joint Conference on Neural Networks (IJCNN 07), 2007, pp [11] I. Petrovic, P. Domijan, and M. Jelavic, Estimation of lube oil viscosities on a vacuum distillation column, in Proceedings of IEEE International Conference on Industrial Technology, vol. 1, 2003, pp , Vol.1. [12] SMAR, Manual de Instruções dos Blocos Funcionais. URL: Acessado em 28/02/210., [13] J. Berge, Fieldbuses for Process Control: Engineering, Operation and Maintenance. ISA: The Instrumentation, System, and Automation Society, [14] A. Goedtel, I. N. da Silva, M. Suetake, C. F. do Nascimento, and S. A. O. da Silva, Compact artificial neural network for induction motor speed estimation, in Proceedings of International Conference on Electrical Machines and Systems (ICEMS 09)., 2009, pp [15] S. Haykin, Neural Networks and Learning Machines, 3rd ed. Prentice Hall, 2008.