Transcrição

1 IMPLEMENTAÇÃO DE UMA REDE NEURAL EM AMBIENTE FOUNDATION FIELDBUS PARA COMPUTAÇÃO DE VAZÃO SIMULANDO UM TRANSMISSOR MULTIVARIÁVEL Denis Borg, Marcelo Suetake, Dennis Brandão Laboratório de Automação Industrial, Departamento de Engenharia Elétrica Escola de Engenharia de São Carlos - USP Av. Trabalhador São-carlense, São Carlos, SP, Brasil s: borgdenis@yahoo.com.br, mclsuetake@usp.br, dennis@sc.usp.br Abstract This paper proposes the development of an artificial neural network implemented in a Foundation Fieldbus environment to simulate a flow computation as done in a multivariable transmitter. The proposed methodology uses measurements of static pressure, temperature and differential pressure coming from an primary element like an orifice plate, widely used in industrial plants. The main motivation of using neural networks lies in its low cost and simplicity of implementation, which enables the use of standard function blocks making methodology independent of manufacturer. Keywords Flow Computer, Foundation Fieldbus, Flow Measurement, Multivariable Instrument, Delta V, Software Sensor, Artificial Neural Networks. Resumo Este trabalho propõe o desenvolvimento de uma rede neural artificial implementada em um ambiente Foundation Fieldbus para simular uma computação de vazão como a realizada em um transmissor multivariável. Para tanto, a metodologia proposta utiliza-se de medidas de pressão estática, temperatura e da pressão diferencial advinda de um elemento deprimogênio, como uma placa de orifício, muito utilizadas em plantas industriais. A principal motivação do emprego das redes neurais reside no seu baixo custo e sua simplicidade de implementação, o que possibilita o emprego de blocos de função padrões tornando a metodologia independente do fabricante. Palavras-chave Computador de Vazão, Foundation Fieldbus, Cálculo de Vazão, Multivariável, Delta V, Software Sensor, Redes Neurais Artificiais. 1 Introdução Os transmissores multivariáveis surgiram no final do século XX para aplicações em medição de vazão por meio de placas de orifício. 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. Conforme Delmée (2003), a parte eletrônica consiste de um computador de vazão capaz de efetuar os cálculos de acordo com as normas internacionais (AGA3, ISO5167). Na Figura 1 é ilustrada uma correlação entre o instrumento multivariável e 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 (Delmée, 2003). Na Figura 2 são comparados os sistemas que utilizam transmissores separados e o multivariável em HART. Figura 2: Comparação da utilização de um multivariável com a medição tradicional. Figura 1: Transmissor multivariável acoplado a um elemento deprimogênio (annubar). Atualmente há no mercado 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. 5116

2 A partir da leitura das variáveis dinâmicas de pressões e de temperatura adicionadas à algumas configurações como o tipo e material do elemento primário (placa de orifício, annubar, bocal, etc.), das dimensões desse elemento primário de vazão e da tubulação como o valor do diâmetro da tubulação, o valor de ß (diâmetro do orifício da placa dividido pelo orifício da tubulação) (Miller, 1996), o instrumento multivariável realiza cálculos complexos e infere o valor da vazão onde o elemento primário foi instalado. Tais instrumentos são de significativa complexidade, possuem alta precisão na computação do valor da vazão, da ordem de 1,0 % da vazão mássica (Rosemount, 2009), e são instrumentos de custo elevado. São usados inclusive em aplicações de transferência de custódia, por exemplo, de gás natural; ou para avaliação de consumo de gases industriais ou hospitalares ou ainda, em aplicações em balanço de massa nas mais diferentes indústrias. Neste artigo foi desenvolvido um soft sensor baseado em redes neurais que simula os cálculos para um transmissor multivariável. Os resultados de recentes estudos em aplicações industriais e simulações de plantas destacam a filosofia da utilização de redes neurais como um soft sensor, ou seja, um sensor baseado preferencialmente em software, ao invés de hardware (Willis, 1992). Um soft sensor pode ter várias aplicações práticas, como a estimação do ponto de congelamento de querosene em unidades de destilação atmosférica (Caponetto et al., 2009), modelamento de processos e controle na indústria de cana-de-açúcar e etanol (baseado em redes neurais (Devogelaere et al., 2002), cálculo de vazão de carvão pulverizado mediante técnicas de inferência fuzzy (Guixue et al., 2009). Os soft sensors trazem muitos benefícios que os tornam atrativos para uso em processos industriais. O primeiro desses benefícios é o preço, uma vez que a maioria dos soft sensors podem ser implementados em computadores com médio poder computacional. Segundo que eles não necessitam serem instalados no processo portanto, não há nenhuma intervenção na planta porque eles são realizados em um computador fora do campo. Isso também facilita também a manutenção ou substituição do mesmo. Devido à não linearidade presente em muitos processos industriais, modelos não lineares são uma escolha natural. Como as Redes Neurais Artificiais (RNA) são conhecidas por sua habilidade em trabalhar com funções não lineares, muitas vezes, elas são utilizadas em soft sensors (Petrovic et al., 2003). Várias aplicações foram trabalhadas em ambiente Foundation Fieldbus como o desenvolvimento de agentes para detecção de falhas em processos automatizados onde uma rede neural desenvolvida em um ambiente Foundation Fieldbus faz o reconhecimento do padrão da falha (Machado et al., 2010), também foi desenvolvido um algoritmo inteligente que separa a informação do ruído gerado a partir de várias fontes. Esse algoritmo troca dados com instrumentos situados numa rede Foundation Fieldbus (Costa et al., 2005). O trabalho de Silva et al. (2005) mostra a aproximação de uma ampla gama de funções matemáticas através de redes neurais trabalhando com blocos padrão do Foundation Fieldbus. Pode se citar ainda a detecção de falha e seu isolamento (FDI) em controle de nível utilizando Foundation Fieldbus onde a estratégia foi elaborada com redes neurais (Fernandes et al., 2007). Considerando-se que: para algumas aplicações industriais, por exemplo, a monitoração (indicação) do valor de vazão, não é necessária uma precisão muito alta; há uma tendência cada vez maior do uso de redes de comunicação entre os instrumentos de campo, entre elas, uma das que mais se destaca é a Foundation Fieldbus; as RNAs se mostram uma excelente ferramenta para lidar com cálculos complexos e não lineares como é o caso do cálculo de vazão mássica; cálculos convencionais como o uso de funções exponenciais não seriam possíveis utilizando blocos funcionais padrão Fieldbus; a utilização de RNAs reduzem o esforço computacional, uma vez que basicamente se trabalha com multiplicação matricial em vez de equacionamentos não lineares. Propõe-se a implementação de uma rede neural em ambiente Foundation Fieldbus utilizando blocos funcionais padrão para a computação de vazão simulando o conjunto de cálculos realizados por um instrumento multivariável. Uma vantagem obtida com a técnica proposta frente ao modo tradicional para a computação de vazão pelo uso de instrumentos multivariáveis é a relação de custo entre ambas as soluções, que seria muito baixo considerando que o usuário muitas vezes já dispõe de um host em Foundation Fieldbus e recebe as informações das variáveis de pressão diferencial e, pressão estática e da temperatura do seu processo por meio de instrumentos de campo. Este artigo visa, portanto, descrever a solução proposta para o problema mencionado, a metodologia adotada e sua validação experimental. 2 O Foundation Fieldbus O Foundation Fieldbus é um sistema de comunicação totalmente digital e bidirecional que conecta equipamentos fieldbus tais como sensores, 5117

3 atuadores e controladores. O Foundation Fieldbus é 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 Foundation Fieldbus não pertence à nenhuma empresa, ou é regulado por um único organismo ou nação. A tecnologia é controlada pela Fieldbus Foundation, a qual consiste de uma organização não lucrativa que consiste em 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 uma interface física padronizada da fiação, os dispositivos alimentados por um único par de fios e as opções de segurança intrínseca, mas oferece uma série de benefícios adicionais aos usuários (SMAR, 2007). Os principais benefícios são a interoperabilidade e uma quantidade maior de informação ao usuário: Com a interoperabilidade, um dispositivo fieldbus pode ser substituído por um dispositivo similar com maior funcionalidade de um outro fornecedor na mesma rede do fieldbus, 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 a informação de multivariáveis, comunicando-se diretamente um com o outro sobre o barramento fieldbus, permitindo que novos dispositivos sejam adicionados ao barramento sem interromper o controle. Com o Foundation Fieldbus, as variáveis múltiplas de cada dispositivo podem ser trazidas ao sistema de controle da planta para a análise, arquivo, análise de tendência, estudos de otimização de processo e geração de relatórios. Este acesso aos dados mais exatos e de alta resolução permite um ajuste fino do processo para melhor operação, reduzindo o tempo ocioso da planta. Estas características permitem um maior desempenho do sistema (SMAR, 2007). As especificações técnicas Foundation são baseadas no modelo ISO/OSI e consistem de três componenetes 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 feita através de interligações de blocos funcionais. Esses blocos realizam as funções de cálculos e de controle, entre eles, o bloco aritmético e o bloco caracterizador que são fundamentais na aplicação de uma RNA. Figura 3: Comparação das camadas FF com o modelo OSI). O propósito do bloco aritmético é ser usado no cálculo das medições e combinações de sinais dos sensores (Berge, 2004). O bloco 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. O aspecto de um bloco aritmético é na Figura 4. Figura 4: Aspecto de um bloco aritmético no software Delta V com suas entradas e saídas. Na Figura 5 é mostrada o esquema lógico de um bloco aritmético (padronizado pela Fieldbus Foundation). Figura 5: Esquema interno do bloco aritmético. O bloco aritmético foi usado para realizar as multiplicações das entradas pelos pesos da rede neural e também para somatórias. 5118

4 O Bloco Caracterizador de sinal tem duas seções, cada uma com uma saída que é uma função não-linear da entrada respectiva. A função é determinada por uma consulta a uma tabela única com as coordenadas x, y de 21 pontos cada uma. Na Figura 6 é mostrado o aspecto de um bloco caracterizador, e, na Figura 7, o seu esquema lógico. Figura 6: Aspecto de um bloco caracterizador no software Delta V com suas entradas e saídas. O bloco calcula OUT 1 a partir de IN 1 e OUT 2 a partir de IN 2, usando as curvas dadas pelos pontos: [x1; y1], [x2; y2]... [x21; y21] onde x corresponde à entrada e y corresponde à saída (SMAR, 2007). indexação de tabela (look-up table), desde que o processo de treinamento offline já esteja realizado. 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 utilizando-se apenas os blocos funcionais padrões de uma rede Fieldbus Foundation, tornando a técnica genérica e independente de fabricante, pois este comumente utilizam blocos customizados. Pressão Temperatura Pressão Diferencial RNA Estimador de Vazão Vazão Figura 8: Estrutura do estimador neural de vazão. 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. Figura 7: Esquema interno do bloco caracterizador. 3 Projeto das Redes Neurais Artificiais Na parte do experimento (Seção 4) é explicado como foram adquiridos os valores de entrada (Pressão estática, Pressão diferencial e Temperatura). 3.1 Treinamento da RNA As RNA s 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 instrumentos 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 RNA s apresentam 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 3.2 Topologia da RNA 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, utilizam se 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 5119

5 com a rede Fieldbus Foundation. Neste contexto, a RNA implementada com os blocos funcionais padrão realizará apenas o passo forward do Perceptron Multicamadas. A partir do treinamento da rede foi possível utilizar os valores dos pesos e limiares para configurar os blocos funcionais conforme explicado na próxima seção. 4 Descrição do Experimento Um laptop com o software EA (Engineering Assistant) instalado foi utilizado para a comunicação com um 3095 (Transmissor Multivariável da Rosemount) através de um HART modem MACTEK. O instrumento foi então alimentado com uma fonte de 24 Vcc e a comunicação HART foi iniciada. Salienta-se que foi utilizado um transmissor HART e não um FF apenas para o levantamento dos padrões que serviram de treinamento para a rede neural. Isso foi feito porque, como será visto mais adiante, existe uma ferramenta de software integrada ao EA chamada Test Calculation, que permite a simulação de valores de vazão digitandose as variáveis de entrada. Essa ferramenta está disponível apenas para a versão HART por enquanto, por isso não foi utilizado o 3095 em Foundation Fieldbus. Mas os algoritmos internos de cálculos de vazão do 3095 são exatamente os mesmos para HART e Foundation Fieldbus conforme esclarecido pelos especialistas em DPFlow da Rosemount. Na Figura 9 pode ser verificada a tela de escolha do fluido do EA. Figura 9: Tela de escolha do fluido do processo. No exemplo foi utilizado ar como fluido do processo. Na Figura 10, pode ser observada a tela que permite a escolha do elemento primário de vazão. No exemplo foi usado uma placa de orifício de 4 polegadas e beta de 0,6. Figura 10: Tela de escolha do Elemento deprimogênio e sua configuração. Na Figura 11, é mostrado a tela do Test Calculation. Figura 11: Tela do Test Calculation. Com o Test Calculation é possível 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 eletrônica do 3095 que processa os dados e depois de alguns segundos informa, também via HART, o valor da vazão correspondente às entradas de acordo com a configuração residente na memória do Utilizando o Matlab foram montadas algumas redes neurais com 5, 8, 10, 20, 30, 50 e 100 neurônios. Através da análise dos resultados, a rede de 8 neurônios foi escolhida. Os valores dos pesos sinápticos e limiares foram utilizados para a montagem da rede FF. Na Figura 12 são mostrados um bloco aritmético e parte de sua configuração, no caso, os pesos sinápticos. Foram utilizados blocos aritméticos para os cálculos dos pesos e limiares e blocos caracterizadores para se encontrar o valor da tangente sigmóide. Na Figura 13 é possível visualizar parte dos parâmetros configurados para a função da tangente hiperbólica. 5120

6 Figura 12: Tela com valores dos pesos configurados no bloco aritmético. O gráfico da Figura 15 mostra o resultado dos erros em relação aos 93 padrões de teste. O gráfico foi levantado via Matlab e é possível analisar que alguns erros ficaram muito acima da média. Provavelmente se esses pontos forem passados pra dentro do conjunto de testes ou se o número de neurônios for aumentado, é possível a redução do erro relativo médio que está em 1,48 %. Embora esse valor não contemple as imprecisões das medições de pressão, pressão diferencial e de temperatura que se somariam à esse erro, pode-se julgar que esse erro atenderia à uma ampla gama de aplicações ao compararmos com o erro sugerido em Rosemount (2009) de 1,0 %. 45 Erro Relativo para cada Amostra de Teste Figura 13: A tangente hiperbólica é configurada via uma tabela de 21 pontos no bloco Caracterizador. Para a construção das curvas de tangente hiperbólica, foi utilizado o bloco caracterizador que permite a montagem de 21 pontos no formato (x,y) e dessa forma, pontos intermediários são obtidos por interpolação dos segmentos de reta entre os pontos configurados. Adicionando outros blocos aritméticos para a normalização dos valores de entrada e saída, somadores e fazendo se os links entre os blocos, necessários para que as informações de um bloco sejam transmitidas aos outros blocos, o aspecto da estratégia fica como o mostrado na Figura 14. Erro Relativo (%) Amostras de Teste Figura 15: Gráfico do erro relativo dos 93 padrões de teste, considerando-se a tangente hiperbólica com apenas 21 pontos. Os erros relativos ilustrados na Figura 16 comparam o erro utilizando a função de tangente hiperbólica comum rodando no Matlab e a função hiperbólica simulada com segmentos de reta com 21 pontos trabalhando com interpolações para verificar se o bloco caracterizador da rede fieldbus conseguiria um resultado satisfatório. Pode se obervar que o erro, como esperado, é maior para o segundo caso. É possível a diminuição desse erro se forem considerados dois blocos caracterizadores aumentando-se a precisão (número de pontos) da curva tangente hiperbólica. 6 Conclusão Figura 14: Visão geral do Control Studio (Delta V) mostrando a estratégia dos blocos FF. Foram utilizados alguns blocos reduzidos (somadores e multiplicadores) apenas para simplificação da estratégia, mas poderiam ser utilizados os blocos comuns aritméticos sem qualquer prejuízo para o funcionamento da rede. 5 Resultados Experimentais Pode-se concluir pelos valores encontrados que apresentaram um erro relativo médio de 1,48%, que é possível utilizar uma rede neural trabalhando em ambiente Foundation Fieldbus simulando um transmissor multivariável para o cálculo de vazão. Considera-se que haveria uma melhoria desse erro se passarmos os padrões que apresentaram um erro maior para o conjunto de padrões de treinamento. Essa metodologia pode ser utilizada para aplicações não destinadas à medições fiscais, por falta dos relatórios necessários às auditorias. Uma dificuldade que poderia ser levantada seria as apli- 5121

7 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 com apenas 21 pontos. cações que sofrem alterações frequentes do fluido do processo, o que traria a necessidade de downloads frequentes dos novos pesos e limiares para a rede (talvez até de número diferente de blocos da rede). A grande maioria dos sistemas Fieldbus atualmente permitem downloads parciais, sem afetar portanto, o funcionamento de outras áreas da planta. Levando se isso em conta, haveria a possibilidade de alteração da topologia da RNA ou dos pesos e limiares para adequação da rede às novas condições de processo como alteração do fluido do processo. Pode se ainda ratificar que o emprego de redes neurais tornam possível a utilização de blocos padrão fieldbus já que cálculos mais complexos como exponenciais necessitariam de blocos especiais que não garantiriam a portabilidade e interoperabilidade para outros sistemas Foundation Fieldbus. Essa aplicação traz ainda o benefício do baixo custo de implementação quando comparado aos custos de um instrumento multivariável. Referências Berge, J. (2004). Fieldbuses for Process Control: Engineering, Operation and Maintenance, ISA: The Instrumentation, System, and Automation Society. Caponetto, R., Dongola, G., Gallo, A. and Xibilia, M. G. (2009). FPGA based soft sensor for the estimation of the kerosene freezing point, Proceedings of IEEE International Symposium on Industrial Embedded Systems (SIES 09), pp Costa, I., Doria, A., Melo, J. and Oliveira, J. (2005). Embedded fastica algorithm applied to the sensor noise extraction problem of foundation fieldbus network, Proceedings of International Joint Conference on Neural Network. Delmée, G. J. (2003). Manual de Medição de Vazão, 3 edn, Edgard Blücher. Devogelaere, D., Rijckaert, M., Leuven, K. U., Engineering, C., Jose, H. and Echeverria, A. (2002). Application of Feedforward Neural Networks for Soft Sensors in the Sugar Industry, Proceedings of VII Brazilian Symposium on Neural Networks (SBRN 02), pp Fernandes, R. G., Cabral Silva, D. R., de Oliveira, L. A. H. and Neto, A. D. D. (2007). Faults Detection and Isolation Based On Neural Networks Applied to a Levels Control System, Proceedings of International Joint Conference on Neural Networks (IJCNN 07), pp Guixue, C., Weiguo, P., Wei, Z. and Chao, Z. (2009). A Soft-Sensor Method Based on Fuzzy Rules for Pulverized Coal Mass Flow Rate Measurement in Power Plant, Proceedings of International Conference on Artificial Intelligence and Computational Intelligence, pp Machado, V., Neto, A. and de Melo, J. D. (2010). A Neural Network Multiagent Architecture Applied to Industrial Networks for Dynamic Allocation of Control Strategies Using Standard Function Blocks, IEEE Transactions on Industrial Electronics 57(5): Miller, R. W. (1996). Flow Measurement Engineering Handbook, 3 edn, McGraw-Hill. Petrovic, I., Domijan, P. and Jelavic, M. (2003). Estimation of lube oil viscosities on a vacuum distillation column, Proceedings of IEEE International Conference on Industrial Technology, Vol. 1, pp , Vol.1. Rosemount (2009). Datasheet of Rosemount 3095 Multi-Variable Mass Flow Transmitter, Rosemount-Emerson Process Management. Silva, D. R. C., Neto, A. D. D., Melo, J. D. and Nova, C. D. L. (2005). Implementation of Neural Networks in Foundation Fieldbus Environment Using Standard Function Blocks, 2: SMAR (2007). Manual de Instruções dos Blocos Funcionais., URL: Acessado em 28/02/210. Willis, M. J. (1992). Soft-sensing via artificial neural networks, Proceedings of IEE Colloquium on Automation and Control in Food Processing, pp. 3/1 3/