12ª Conferência sobre Tecnologia de Equipamentos COTEQ2013-022 SISTEMA ELETRÔNICO EMBARCADO PARA DIAGNÓSTICO AUTOMÁTICO EM CAMPO DE INSPEÇÕES POR ULTRASSOM Angelo C. Carvalho 1, Maria C. S. Albuquerque 2, Eduardo F. S. Filho 3, Cláudia T. T. Farias 4. Copyright 2013, ABENDI, ABRACO e IBP. Trabalho apresentado durante a 12ª Conferência sobre Tecnologia de Equipamentos. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es). SINOPSE Técnicas de inspeção são largamente utilizadas pelo setor industrial com o objetivo de verificar a integridade de uma determinada peça, material, ou instalação. Com o desenvolvimento tecnológico, novas técnicas de inspeção são desenvolvidas, sendo a inspeção através de sinais ultrassônicos uma das que mais se destaca. Em tal inspeção a saída de um gerador de ultrassom é transmitida à peça, e pode sofrer os mais diversos efeitos acústicos, dependendo da existência ou não de falhas, e de qual tipo de falha o material apresenta. Deste modo o sinal ultrassônico pode ser atenuado, refletido ou refratado. É graças a essas modificações que se pode detectar a existência de um defeito, e classifica-lo, através processamento digital de sinal adequado. Este trabalho tem como objetivo principal o desenvolvimento de um sistema eletrônico para processamento digital de sinais capaz de detectar e classificar defeitos a partir de inspeções por ultrassom tipo pulso eco. Os algoritmos computacionais necessários são embarcados em um processador digital de sinais. Resultados preliminares do sistema proposto serão apresentados. 1 Graduando Engenharia Elétrica UFBA / GPEND 2 Doutora em Engenharia de Processos IFBA / GPEND 3 Doutor em Engenharia Elétrica UFBA / GPEND 4 Doutora em Engenharia Metalúrgica e de Materiais IFBA / GPEND 169
1. INTRODUÇÃO Testes Ultrassônicos são uma classe de ensaios não destrutivos (END) (1) (2) que utilizam a energia de sinais acústicos de alta frequência para conduzir exames e realizar medidas em corpos de prova. Os ensaios não destrutivos são de extremo interesse para a indústria pelo fato de preservarem a integridade do material analisado e reduzirem os custos com manutenção. O objetivo dos END é detectar a presença de falhas estruturais, de preferência em estágios iniciais. O processo para obtenção dessa informação a partir de uma onda ultrassônica requer uma série de etapas de processamento, fazendo-se necessário uma classificação ao fim do processo para que se possa associar ao objeto em estudo um dos diversos tipos de problemas existentes. Neste trabalho é proposta a criação de um hardware com lógica de processamento digital de sinais e classificação neural embarcada em um microcontrolador, visando-se a criação de um produto para ser usado em auxilio às inspeções por ultrassom capaz de emitir respostas em tempo real e aumentar a confiabilidade do processo de inspeção. No sistema proposto, a primeira etapa de processamento dos sinais consiste em levá-los do domínio temporal para o domínio da frequência através da transformada de Fourier (3), posteriormente um classificador neural de arquitetura Perceptron Multicamadas será utilizado para classificar o estado do material, e por fim visando minimizar os recursos computacionais utilizados pelo microcontrolador, é proposta a utilização de técnicas de processamento estatístico de sinais capazes de reduzir a informação necessária para a tomada de decisão sem prejudicar a eficiência de discriminação do sistema. A proposta desse trabalho é realizar a implementação em hardware dedicado, do sistema apresentado no trabalho (4) publicado na revista Ultrassonics. 2. FUNDAMENTAÇÃO TEÓRICA 2.1. ENSAIOS ULTRASSÔNICOS Os ensaios ultrassônicos se utilizam de uma onda acústica com frequência acima da audível, que se propagam ao material, buscando detectar algum tipo de defeito, caso exista. O equipamento de ultrassom gera uma determinada tensão que é aplicada a um transdutor que, utilizando-se do efeito piezoelétrico, (efeito que consiste basicamente na deformação do material quando submetido a um campo elétrico), emite o sinal desejado com uma banda de frequência em torno da frequência central, que pode variar com o transdutor utilizado. Além disso, em alguns casos pode ser usado um liquido para acoplamento entre transdutor e o corpo de prova. Este procedimento visa reduzir as perdas sofridas pela onda ao sair do transdutor e emergir no ar. Diversas são as configurações e técnicas em que um ensaio ultrassônico pode ser realizado, dentre esses se destacam: Ensaio por imersão: o corpo de prova e o transdutor estão imerso num liquido acoplante, geralmente água; Ensaio por contato: é exercida uma pressão no transdutor que é aplicado diretamente à peça, sendo utilizado um fluido para fazer o acoplamento; 170
Ondas de Lamb: ondas que produzem uma perturbação que faz com que as partículas do material vibrem tanto na direção de propagação quanto perpendicularmente ao material, varrendo todo o volume do material; Ondas pulso eco: utiliza-se somente um transdutor que é emissor e receptor. Ele gera ondas em pulso, e recebe o eco emitido pelo material no intervalo entre a geração dos pulsos; 2.2. PROCESSAMENTO DIGITAL DE SINAIS A utilização de END para a inspeção dos mais diversos tipos de materiais vem se aperfeiçoando à medida que as técnicas de processamento digital de sinais se tornam mais eficientes. Especificamente nos END por ultrassom, é através das informações contidas nos sinais que são captados que se consegue detectar as falhas de um material. Esses sinais estão sujeitos a ruídos ao longo da inspeção que desfavorecem a confiabilidade do ensaio. Entre as fontes de ruído pode-se destacar a interação com os espalhadores presentes no meio material e os circuitos eletrônicos, que podem contribuir para a adição do ruído branco. Dentre as diversas técnicas de processamento de sinais, uma das mais utilizadas é a análise no domínio da frequência utilizando-se a transformada de Fourier, já que permite a obtenção do espectro de frequências do sinal temporal. Por ser uma representação mais compacta e discriminante, torna mais simples o processo de identificação de falhas no material. 2.2.1. TRANSFORMADA DISCRETA DE FOURIER E ANÁLISE ESPECTRAL A transformada de Fourier é uma ferramenta matemática muito utilizada na área de processamento digital de sinais. Ela permite a representação no domínio da frequência de sinais definidos no tempo, ou seja, ela transforma um sinal temporal para um sinal em frequência. Na transformada de Fourier a obtenção do espectro de frequência se dá pela decomposição do sinal num somatório de senóides e cossenóides de frequências diferentes, o que permite a avaliação quanto sua magnitude e fase. A Eq. 1 representa a Transformada Discreta de Fourier, DFT (Discrete Fourier Transform), que é uma modificação da Transformada de Fourier de Tempo Contínuo para sinais discretizados no tempo. A Eq. 2 mostra a Transformada inversa IDFT (Inverse Discrete-time Fourier Transform) (5). [Eq.1] X( e jω ) = n=0 x(n) e jωn [Eq.2] x(n) = 1 π X( N ejω ) e jωn dω π 171
A aplicação de DFT é computacionalmente viável apenas quando o número de dados utilizados é pequeno (4), a partir de certa quantidade de dados torna-se muito demorado o processo. Visando a computação de um número elevado de dados desenvolveu-se o algoritmo da Transformada Rápida de Fourier (Fast Fourier Transform, FFT), que consegue diminuir o tempo de processamento através da redução do número de passos que devem ser executados durante o cálculo. A Figura 1 mostra um esquemático da matriz butterfly utilizada para a realização da FFT. FIGURA 1: Matriz Butterfly para FFT. (6) 2.3. PROCESSAMENTO ESTATÍSTICO DE SINAIS Técnicas que utilizam informações da estatística dos sinais, como Análise de Componentes Principais (PCA Principal Component Analysis) (7) e Análise de Componentes Independentes (ICA - Independent Component Analysis) (8) são frequentemente utilizadas na solução de problemas onde há a necessidade de processamento veloz, flexível e eficiente. A Análise de Componentes Principais é um método que tem por finalidade o processamento estatístico de sinais multidimensionais visando à minimização da informação redundante. A PCA utiliza informações estatísticas de segunda ordem para projetar os sinais em bases ortogonais e que estão nas direções de máxima variância do processo. Com isso, pode-se eliminar as componentes de menor variância (energia) e compactar o sinal, mantendo-se a maior parte da informação necessária para a reconstrução. A Análise de Componentes Independentes (ICA) é um método de extração de características semelhante à PCA, porém aqui a transformação visa reduzir sinais independentes estatisticamente (e não apenas descorrelacionados, como era o caso da PCA). Nesse sentido a ICA é mais abrangente que a PCA, pois garante que não há redundâncias de informação considerando-se toda a estatística dos dados. Uma característica interessante e que facilita o processo de treinamento do discriminador neural, é que os componentes principais estimados são mutualmente não correlacionados, ou seja, não há informações redundantes entre as características de entrada para o classificador. 172
2.4. REDES NEURAIS ARTIFICIAIS Uma Rede Neural Artificial (RNA) é um modelo matemático que pode ser implementado de modo maciçamente e paralelamente distribuído (9). Uma RNA é constituída de unidades de processamento simples, que tem a propensão natural para armazenar conhecimento experimental e torna-lo disponível para uso. Possui dois aspectos que se assemelham ao cérebro humano: o conhecimento é adquirido a partir de seu ambiente através do processo de aprendizagem, e as forças de conexão entre os neurônios armazenam o conhecimento adquirido. Esse conhecimento é armazenado através de variáveis chamadas pesos sinápticos, que armazenam valores correlatos com características do problema. O procedimento utilizado para realização da etapa de treinamento da RNA é chamado algoritmo de aprendizagem cujo objetivo é modificar os pesos sinápticos de forma a alcançar o objetivo desejado. O treinamento pode ser supervisionado ou não supervisionado. No primeiro existe um par entrada/saída alvo, que marca uma diretriz para a RNA, no segundo a RNA tende a uma situação de estabilidade onde se diz que ela esta treinada. Em relação à sua capacidade e a sua utilidade, podemos destacar algumas características das RNAs: Não linearidade: as conexões entre os neurônios são distribuídas de forma paralela e não linear. Adaptabilidade: a RNA pode adaptar seus pesos para as mudanças no ambiente ao seu redor. Resposta de Prova ou Resposta de Teste : após um determinado treinamento com um conjunto de padrões de sinais de entradas, uma RNA pode receber um padrão de sinais de entrada distinto de qualquer outro com o qual ela já trabalhou, e é capaz de extrapolar sobre o padrão e fornecer uma resposta com uma medida de confiança. Basicamente, após certo tempo, a RNA pode resolver problemas inéditos, algo muito além das capacidades das plataformas computacionais convencionais. Tolerância a Falhas: diferentemente de uma plataforma de computação convencional, na qual se um componente apresenta falha, todo o sistema pode funcionar de maneira indesejada, se um pequeno número de neurônios vier a falhar, a RNA pode continuar operando sem mudanças perceptíveis na sua capacidade de processamento. Analogamente, o cérebro humano continua funcionando sem problemas se um pequeno número de neurônios morrerem. Para causar um funcionamento indesejável da RNA, um número considerável de neurônios deve deixar de funcionar. 2.4.1. MODELOS DE NEURONIOS ARTIFICIAS E TREINAMENTO A Figura 2 abaixo mostra o primeiro modelo não linear de um neurônio artificial proposto em 1943 por McCulloch-Pitts. 173
FIGURA 2: Neurônio McCulloch-Pitts. Na Figura 2 as entradas são representadas por x1,x2,...,xm, que podem representar a resposta de sensores, ou da saída de outros neurônios. Os pesos das entradas são representados por wk1, wk2,.., wkm. A bias bk, representa um sinal DC que é adicionado. A função de ativação é responsável por adicionar a característica não linear ao neurônio, sendo a escolhida pra o projeto a tangente hiperbólica (tanh). O funcionamento básico do neurônio artificial resume-se à soma e multiplicação de matrizes: a entrada é a matriz X = [x1,x2,...,xm], e a matriz de pesos é W = [wk1, wk2,.., wkm], b é a bias e Y é a matriz de saída. A equação 3 representa a saída do neurônio. [Eq.3] Y = tanh(x W + b) O classificador neural utilizado no projeto é o Perceptron Multicamadas que consiste basicamente de um bloco de entrada com n neurônios, um bloco de saída com um número de neurônios igual ao número de classes do problema e uma ou mais camadas internas que podem ter k neurônios. A Figura 3 ilustra um perceptron de múltiplas camadas internas, e um único neurônio de saída. Novamente o processo de computação da rede neural se resume a álgebra matricial. Se considerarmos a entrada da camada n como uma matriz Xn, os pesos dessa camada como outra matriz Wn, e a bias como outra matriz bn, então a saída será a matriz Yn, conforme visto na Eq. 4. Essa saída será aplicada à entrada da próxima camada, até que o processo chegue à camada de saída. FIGURA 3: Perceptron Multicamadas. 174
[Eq.4] Yn = f(wn Xn + bn) Para as redes de múltiplas camadas (MLP, Multi Layer Perceptron), o algoritmo de retropropagação de erro (backpropagation) é um dos mais utilizados. O treinamento de RNAs por backpropagation se dá pela retroalimentação do sinal de erro de treinamento na direção da entrada, e então, o ajuste dos pesos sinápticos. 2.5. PROCESSADOR DIGITAL DE SINAIS O processador digital de sinais (DSP) é um sistema computacional que possui integrado no mesmo circuito integrado (CI), não somente a Unidade de Processamento, como memórias de dados e de programas, entradas para comunicação serial e paralela, conversores analógicos digitais, dentre outros. Os DSPs são projetados para tratamento de sinais em tempo real. Possui integrado a seu hardware e software inúmeras funções utilizadas no processamento digital de sinais, o que facilita o desenvolvimento do código final e o torna mais compacto. O CI do DSP pode ser encontrado separadamente ou atrelado a uma placa de desenvolvimento, a qual traz, já implantados vários recursos de hardware para facilitar a solução dos problemas, tais como: canais de comunicação serial e USB, display de LCD, slots para acoplamento de memória, switchs e push-buttons, dentre outros. A Figura 4 mostra uma placa de desenvolvimento de um DSP. FIGURA 4: Processador Digital de Sinais em uma placa de desenvolvimento. (10) A escolha do DSP e da sua placa de desenvolvimento seguiu uma lista de critérios sendo os principais: taxa de amostragem na conversão analógico-digital (AD) que é crítica no processo, velocidade de processamento fator muito importante já que o sistema opera em tempo real, quantidade de memória interna para armazenamento dos dados da inspeção, e entradas que encaixassem no padrão de saídas do gerador de ultrassom. 175
3. MÉTODOS UTILIZADOS O processamento digital de sinais proposto nesse trabalho é desenvolvido de maneira off-line com o auxílio de um computador para depois de validado e devidamente testado, ter seu código embarcado no DSP. 3.1. ALGORITMOS DESENVOLVIDOS O algoritmo de realização da FFT foi desenvolvido com base no algoritmo RADIX-2 (11) e realiza a FFT de um número de pontos igual a um múltiplo de 2 n. A Rede Neural Artificial foi desenvolvida considerando-se uma camada de entrada com 18 neurônios e saída com 1 neurônio. Todos os algoritmos foram desenvolvidos e implementados em C no ambiente de desenvolvimento, software Dev-C++ 3.2. SISTEMA DE INSPEÇÃO PROPOSTO A Figura 5 apresenta as etapas de processamento propostas para o sinal de ultrassom até a identificação automática da integridade do corpo de prova inspecionado. Aquisição de Dados Transfor. de Fourier Process. Estatístico Rede Neural Mostra Resultado FIGURA 5: Diagrama do processo. O sinal medido pelo transdutor é captado pela entrada analógica do DSP e é digitalizado. Os dados então passam pelo algoritmo responsável pela execução da transformada de Fourier, posterior classificação neural e processamento estatístico. Por fim o resultado é mostrado em um display de LCD para o operador do sistema. O sistema pode ser aplicado a qualquer tipo de inspeção ultrassônica pulso eco, sendo que a única modificação necessária é a adaptação dos pesos sinápticos para o problema em questão. Esse treinamento neural será realizado de maneira off-line através do software Matlab, e será importada para o DSP através de um protocolo de comunicação. O hardware finalizado será utilizado em conjunto com os equipamentos de inspeção convencional, e possibilitará uma maior confiabilidade por parte do operador e a resposta em tempo real. A Figura 6 mostra um esquema com o produto já finalizado. FIGURA 6: Diagrama do produto final. 176
4. RESULTADOS OBTIDOS O algoritmo para a realização da FFT foi implementado (em linguagem C) (12) e testado em um computador, com precisão para os dados de até dez casas decimais, utilizando os dados de uma inspeção, sendo esses dados compostos por 10 conjuntos de 2500 pontos cada. Como forma de verificar o nível de confiabilidade do sistema o mesmo processo foi repetido utilizando-se o software Matlab e as diferenças (erros) entre os dois resultados foram e plotados em histogramas nas Figuras de 7 a 10. Pode-se observar que o erro é bem pequeno, ficando sempre na faixa de 10-14. FIGURA 7: 1º conjunto de dados. FIGURA 9: 3º conjunto de dados. FIGURA 8: 2º conjunto de dados. FIGURA 10: 4º conjunto de dados. A RNA foi implementada em linguagem C (12), seguiu um layout composto por 18 neurônios na camada de entrada e um neurônio na camada de saída, o que permitia a discriminação dos dados em duas classes diferentes. Esse modelo foi adotado de modo a se adaptar ao problema usado para o teste, que consistia em quatro conjuntos, cada um com 1850 vetores, cada um com 100 parâmetros de entrada para o classificador. A mesma rede foi implementada no software Matlab, e o erro entre os resultados dessas redes foi plotada em histogramas nas Figuras 11 a 14. 177
FIGURA 11: 1º conjunto de dados. FIGURA 12: 3º conjunto de dados. FIGURA 13: 2º conjunto de dados. FIGURA 14: 4º conjunto de dados. 5. CONCLUSÃO Os ensaios não destrutivos através do uso de ultrassom tem se mostrado de grande importância na realidade atual não só do Brasil, mas como do mundo. O ramo vem se desenvolvendo cada vez mais com o avanço da tecnologia. É com esse foco que é proposto no trabalho a criação de um hardware com lógica embarcada para auxiliar nos sistemas de inspeção por ultrassom, tornando-o mais confiável e ao mesmo tempo eficiente. A implementação das rotinas de processamento digital de sinais em linguagem C, aplicadas a um processador de uso específico, permitem ao sistema uma maior agilidade na resposta, do que se fosse aplicado em um computador de uso geral. Além disso, possibilitam a minimização do hardware necessário, o que se mostra de vital importância em testes realizados em locais de difícil acesso. Nesse trabalho conseguiu-se a implementação e testes da FFT e da RNA com o auxílio de um computador, mostrando assim sua viabilidade e eficiência. Os próximos passos consistem na finalização do código, o qual deve integrar um método de processamento estatístico (ICA ou PCA) ao que já foi desenvolvido, e por fim adaptar e embarcar esse código no DSP, para realização dos testes finais em campo. 178
6. AGRADECIMENTOS Os autores agradecem ao CNPq e à FAPESB pelo apoio financeiro ao desenvolvimento deste trabalho. 7. REFERÊNCIAS BIBLIOGRÁFICAS (1) Andreucci R., Ensaio por Ultra-som, Vol 2, p. 06 63, 2003. (2) Y. N. Souza et al. Avaliação não destrutiva da integridade estrutural de compósitos de alumínio e epóxi utilizando processamento estatístico e redes neurais artificiais como ferramenta de auxílio. In: Congresso de Tecnologia de Equipamentos, Porto de Galinhas, 5 (Jun) 2011. (3) Willsky, Alan S.; Oppenheim, Alan V, Sinais e Sistemas, 2 ed. Pearson, p. 155-244, 2010. (4) E. F. Simas Filho et al. Decision support system for ultrasound inspection of fiber metal laminates using statistical signal processing and neural networks, Ultrasonics, (Fev) 2013. (5) Lathi, B. P, Sinais e Sistemas Lineares, 2 ed. Bookman, p. 528-663, 2004. (6) Willsky, Alan S.; Oppenheim, Alan V, Signal and Systems, 2 ed. p (7) Joliffe, I, T, Principal Component Analysis, 2 ed. Springer: Nova York, Estados Unidos, 2002. (8) Oja, E, et al., Independent Component Analysis, Springer: London, Inglaterra, 2000. (9) Haykin, Simon, Redes Neurais - Princípios e práticas ; 2 ed. Bookman, p. 25-100, 1999. (10) TMS320C6713 DSK Technical Reference, Spectrum Digital Incorporated, p. 24. (11) Willsky, Alan S.; Oppenheim, Alan V, Sinais e Sistemas, Vol 2, p. 90 110, 2000. (12) Schildt, H., C Completo e Total, 3 ed. Pearson, p. 138 252, 1997. 179