Embed Size (px)
Citation preview
79
5 Sensores do Motor de Combustão Interna – Estudo de Caso
Este capítulo apresenta a aplicação do sistema proposto para auto-
correção 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 RNAAM 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.
5.1. 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.
80
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 500 psi (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, 2006).
Figura 25. Funcionamento do Motor de Combustão Interna
81
5.2. Desenvolvimento do Projeto
Antes do desenvolvimento desta pesquisa, foram utilizados os softwares
GE wPTU Toolbox (General Electric) e INSITE Cense (Cummins, 2004) para
coletar as medidas de 40 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, 2004). 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, 2004)
Caminhão Komatsu Modelo 730E - Elétrico
Dimensões 12,83 m x 7,54 m x 6,25 m Peso 324 kg
Carga Máxima 210 tons Motor Komatsu SSA 16V159
Modelo K2000 Numero de Cilindros 16 Ciclo de Operação 4 tempos
Potencia 2000 HP (14932 kW) Alternador General Electric GTA-22
Das 40 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 1 apresenta-se a localização desses
sensores no motor de combustão interna e uma figura do caminhão estudado.
82
Tabela 5. Sensores do Motor de Combustão Interna
Nº Parâmetros Selecionados (32) Valor standard
1 Pressão no riel de combustível 1035-1170 kPa (150-170 psi)
2 Pressão do ambiente 62 kPa (9 psi)
3 P. do ar na saída do turbo de alta esquerdo 227-262 kPa (33-38 psi)
4 P. do ar na saída do turbo de alta direito 227-262 kPa (33-38 psi)
5 T. do ar no aftercooler de frente esquerdo 88 °C (190 °F) máx.
6 T. do ar no aftercooler posterior esquerdo 88 °C (190 °F) máx. 7 T. do ar no aftercooler de frente direito 88 °C (190 °F) máx.
8 T. do ar no aftercooler posterior direito 88 °C (190 °F) máx.
9 Temperatura do óleo motor 90-104 °C (195-220 °F)
10 P. do aceite no motor á entrada do filtro 414-552 kPa (60-80 psi)
11 Pressão do óleo motor á saída do filtro 414-552 kPa (60-80 psi)
12 P. diferencial devido aos filtros de óleo 34-69 kPa (5-10 psi) 13 Pressão de gases no cárter 1.25-3.25 kPa (5-13 inH2O)
14 Temperatura do refrigerante motor 82-100 °C (180-212 °F)
15 Pressão do refrigerante motor 103-275 kPa (15-40 psi)
16 Temperatura de escape cilindro 1LB 704 °C (1300 °F) máx.
17 Temperatura de escape cilindro 1RB 704 °C (1300 °F) máx.
18 Temperatura de escape cilindro 2LB 704 °C (1300 °F) máx. 19 Temperatura de escape cilindro 2RB 704 °C (1300 °F) máx.
20 Temperatura de escape cilindro 3LB 704 °C (1300 °F) máx.
21 Temperatura de escape cilindro 3RB 704 °C (1300 °F) máx.
22 Temperatura de escape cilindro 4LB 704 °C (1300 °F) máx.
23 Temperatura de escape cilindro 4RB 704 °C (1300 °F) máx.
24 Temperatura de escape cilindro 5LB 704 °C (1300 °F) máx. 25 Temperatura de escape cilindro 5RB 704 °C (1300 °F) máx.
26 Temperatura de escape cilindro 6LB 704 °C (1300 °F) máx.
27 Temperatura de escape cilindro 6RB 704 °C (1300 °F) máx.
28 Temperatura de escape cilindro 7LB 704 °C (1300 °F) máx.
29 Temperatura de escape cilindro 7RB 704 °C (1300 °F) máx.
30 Temperatura de escape cilindro 8LB 704 °C (1300 °F) máx. 31 Temperatura de escape cilindro 8RB 704 °C (1300 °F) máx.
32 Temperatura do ECM do motor 48-71 °C (120-160 °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 2000 amostras, com medições realizadas com um período de
amostragem de 1 minuto para cada sensor. Diferentemente de outros estudos,
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 730E
5.2.1. 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 2000 amostras, 800 foram utilizadas para a etapa de treinamento e
200 para a de validação, restando 1000 amostras para a etapa de teste. Assim,
para a análise das correlações, foram utilizadas 800 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 |0,1| e superiores a |0,8|.
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 0,4 são considerados de baixa
correlação. Valores entre 0,4 e 0,8 são qualificados como de correlação média,
enquanto que valores superiores a 0,8 são classificados como de alta
correlação. Finalmente, cada grupo de sensores é associado a uma RNAAM. O
Anexo 2 apresenta a matriz de correlação entre os sensores de cada grupo. A
correlação média absoluta dos três grupos foi de 0,87, 0,59 e 0,33,
respectivamente, e o número de sensores atribuído a cada grupo é 16, 7 e 9,
respectivamente.
Percebe-se que o terceiro grupo de sensores apresenta correlações
baixas, com aproximadamente 40% delas com valores inferiores a 0,2. Portanto,
este grupo se constitui em um forte teste no que diz respeito à reconstrução dos
sinais frente a erros súbitos nos sensores.
5.2.2. 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 xi
(Oliveira, 2005), separados nos grupos em função do grau de correlação
existente entre eles, e então normalizados entre [-1,1] (i
S ).
Na fase seguinte, as amostras são enviadas ao Modelo de Auto-Correção,
onde cada RNAAM 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
85
Classificação indica ao operador o momento em que o sensor pode ser retirado
do processo para que se realize uma nova calibração.
x~
Seleção
Normalização
Agrupamento
(correlação)
16
1
...
x
x
23
17
...
x
x
32
24
...
x
x
RNAAM1 RNAAM2 RNAAM3
SIF
MamdaniSPRT
ConfiabilidadeDetecção de
Falha
SIF
Sugeno
Classificação
(Cronograma)
xS
1S
2S 3
S
Auto-Validação
x
x̂x
( )T
xx161
ˆ...ˆ ( )Txx2317
ˆ...ˆ ( )T
xx3224
ˆ...ˆ
Gerador de
Residuos
ε
Auto-Correção
Módulo de
Confiabilidade
Módulo de
Detecção de
Falhas
Módulo de
Classificação
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.
86
5.3. 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 auto-
associativa modificada. Conforme detalhado no Capítulo 4, as RNAAM 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.
5.3.1. 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 0,87.
Tabela 6. Sensores de Temperatura nos Cilindros - Grupo 1
Nº Sensores do Grupo I
1 Temperatura de escape cilindro 1LB 2 Temperatura de escape cilindro 1RB 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 10 Temperatura de escape cilindro 5 RB 11 Temperatura de escape cilindro 6 LB 12 Temperatura de escape cilindro 6 RB 13 Temperatura de escape cilindro 7 LB 14 Temperatura de escape cilindro 7 RB 15 Temperatura de escape cilindro 8 LB 16 Temperatura de escape cilindro 8 RB
RB= Posterior Direita (Right Back), LB= Posterior Esquerda (Left Back)
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 RNAAM, 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 RNAAM em função do
número de neurônios na camada de estrangulamento (de 1 a 14), considerando-
se diferentes números de neurônios nas camadas de mapeamento e
desmapeamento (identificados por M no quadro superior direito).
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
0 2 4 6 8 10 12 14 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Estrangulamento
MA
PE
M=18 M=19 M=20 M=21 M=22
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 16 sensores de temperatura do Grupo 1, foram escolhidos 6 neurônios na
camada de estrangulamento.
O passo seguinte foi treinar a RNAAM 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 20% 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 18 neurônios na camada de
mapeamento/desmapeamento. A Tabela 7, a seguir, mostra os resultados
obtidos na topologia 16-18-6-18-16 da RNAAM1. Observa-se, na Tabela 7, que o
MAPE é menor do que 1% para todos os sensores, atingindo-se, assim, o
objetivo proposto.
Tabela 7. Resultado do Grupo 1
Grupo I 16-18-6-18-16
Sensor MSE MAPE % RMSE
1 0,000015 0,039246 0,761756 2 0,000103 0,166627 2,584214 3 0,000201 0,224396 3,030418 4 0,00011 0,152232 2,241799 5 0,00014 0,182628 2,601988 6 0,00002 0,051776 1,03355 7 0,000192 0,193579 2,62752 8 0,00017 0,202299 2,808072 9 0,00034 0,318357 4,39567
10 0,000201 0,237755 3,387114 11 0,000218 0,242586 3,681684 12 0,000152 0,202992 2,960583 13 0,00028 0,251261 3,614427 14 0,000189 0,246338 3,688612 15 0,000266 0,249533 3,454879 16 0,000195 0,241156 3,452701
A rede foi testada quanto à reconstrução de sinais frente a erros súbitos.
Foram apresentados vetores de entrada com um desvio de 0,2 ºF por minuto
durante 500 minutos (ao final do processo, o desvio é de 100 ºF). A Figura 29
89
apresenta o resultado da RNAAM1 frente ao desvio do sensor 1 e a Figura 30
mostra uma visão ampliada deste teste e o comportamento para o sensor 2 do
mesmo grupo. A Tabela 8 apresenta os resultados para os 16 sensores.
Tabela 8. Desvio lento de 0,2 ºF por minuto no sensor 1
Grupo I 16-18-6-18-16
Sensor MSE MAPE % RMSE
1 0,0017 0,6233 8,0308
2 0,0002 0,2131 3,2284 3 0,0002 0,2208 3,0248 4 0,0001 0,153 2,2289 5 0,0003 0,2775 3,7958 6 0 0,0466 0,8067 7 0,0002 0,1864 2,5327 8 0,0002 0,2093 2,8926 9 0,0003 0,3172 4,315
10 0,0005 0,3882 5,3334 11 0,0002 0,2481 3,7299 12 0,0004 0,337 4,5454 13 0,0002 0,2357 3,3597 14 0,0002 0,2335 3,4417 15 0,0005 0,3425 4,541 16 0,0002 0,2586 3,8134
0 100 200 300 400 500 600 700 800 900 1000600
650
700
750
800
850
900
950
1000
1050
1100
Tempo (min)
ºF
Temperatura de escape cilindro 1LB
Calibrado
RNAAAM
Descalibrado
Figura 29. Resposta da RNAAM1 frente ao desvio no sensor 1
90
290 300 310 320 330 340 350 360 370700
800
900
1000
Tempo (min)
ºF
Temperatura de escape cilindro 1LB
Calibrado
RNAAM
Descalibrado
340 350 360 370 380 390 400 410 420
900
1000
1100
1200
Tempo (min)
ºF
Temperatura de escape cilindro 1RB
RNAAAM
Descalibrado
Figura 30. Resposta dos sensores 1 e 2 frente ao desvio total de 100ºF no sensor 1
Os resultados mostram que o sensor 1 (Temperatura de escape cilindro
1LB) apresenta um aumento do MAPE de 0,03% para aproximadamente 0,6%,
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 RNAAM1, para os 15 sensores restantes, quando as medições não
apresentam perturbações e quando existe um desvio no sensor 1, é de 0,21%
para 0,24%, 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 30, 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, 2004; Marseguerra,
2005).
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 RNAAM1 (com
desvio idêntico ao anterior). A Tabela 9 resume os resultados para todos os
sensores, considerando-se os sensores 1 (Temperatura de escape cilindro 1
LB), 5 (Temperatura de escape cilindro 3 LB) e 11 (Temperatura de escape
cilindro 6 LB) como aqueles com falhas. Pode-se perceber que a RNAAM1
consegue efetuar a auto-correção das medições dos sensores que apresentaram
desvios com um valor de MAPE inferior a 1%.
91
Tabela 9. Desvio máximo em 100 unidades dos sensores 1, 5 e 11
Grupo I 16-18-6-18-16
Sensor MSE MAPE % RMSE
1 0,0019 0,655 6,4436
2 0,0002 0,255 3,7725 3 0,0002 0,2366 3,245 4 0,0004 0,2622 4,01 5 0,0021 0,7299 7,9174
6 0 0,088 1,4911 7 0,0006 0,3436 4,4874 8 0,0003 0,2727 3,7162 9 0,0005 0,3862 5,2263
10 0,0008 0,4989 6,6872 11 0,0003 0,2991 4,5121
12 0,0006 0,4446 6,0273 13 0,0003 0,2389 3,6136 14 0,0004 0,4016 5,688 15 0,001 0,5091 6,5595 16 0,0006 0,4262 6,1295
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 0,277% para 0,729%. A Figura 31 apresenta a resposta da
RNAAM1 para os sensores 1, 3, 5, 6, 11 e 12, frente ao desvio nos sensores 1, 5
e 11. Observa-se que a rede neural consegue corrigir as medições dos sensores
com falha.
92
0 50 100 150 200 250 300 350 400 450 500600
700
800
900
1000
1100
Tempo (min)
ºF
Temperatura de escape cilindro 1LB
0 50 100 150 200 250 300 350 400 450 500800
1000
1200
1400
Tempo (min)
ºF
Temperatura de escape cilindro 1RB
Calibrado
RNAAM
Calibrado
RNAAM
Descalibrado
0 50 100 150 200 250 300 350 400 450 500700
800
900
1000
1100
1200
Tempo (min)
ºF
Temperatura de escape cilindro 3LB
0 50 100 150 200 250 300 350 400 450 500600
800
1000
1200
1400
Tempo (min)
ºF
Temperatura de escape cilindro 3RB
Calibrado
RNAAM
Descalibrado
Calibrado
RNAAM
50 100 150 200 250 300 350 400 450
800
1000
1200
Tempo (min)
ºF
Temperatura de escape cilindro 6LB
50 100 150 200 250 300 350 400 450
800
900
1000
1100
1200
Tempo (min)
ºF
Temperatura de escape cilindro 6RB
Calibrado
RNAAM
Descalibrado
Calibrado
Descalibrado
Figura 31. Resposta dos sensores frente ao desvio lento de 0,2 ºF % por minuto nos
sensores 1,5 e 11
93
Finalmente, testou-se a RNAAM1 com ruído aleatório de 20% da faixa de
medição. Como exemplo, foi inserido nas medições do sensor 1 (Temperatura
de escape Cilindro 1LB) um ruído aleatório com distribuição normal e desvio
padrão equivalente a 40 ºF. A Figura 32 mostra que a RNAAM1 consegue filtrar o
ruído satisfatoriamente. A Tabela 10 resume os resultados. Observa-se um
aumento do MAPE de 0,04% a 0,84%, valor que não ultrapassa o limite
estabelecido (2%).
250 260 270 280 290 300 310 320 330 340 350
650
700
750
800
850
900
950
1000
1050
1100
1150
Tempo (min)
ºF
Temperatura de escape cilindro 1LB
Calibrado
RNAAMDescalibrado
Figura 32. Resposta da RNAA1 frente ao ruído no sensor 1
Tabela 10. Ruído de 20% da faixa de medição no sensor 1
Grupo I 16-18-6-18-16
Sensor MSE MAPE % RMSE
1 0,0030 0,846 10,562
2 0,0001 0,211 3,038 3 0,0002 0,231 3,033 4 0,0001 0,143 2,143 5 0,0002 0,198 2,716 6 0,0000 0,057 0,923 7 0,0002 0,179 2,348 8 0,0002 0,205 2,741 9 0,0003 0,315 4,111
10 0,0002 0,275 3,772 11 0,0002 0,257 3,742 12 0,0001 0,209 2,892 13 0,0003 0,261 3,609 14 0,0001 0,236 3,261 15 0,0003 0,274 3,622 16 0,0002 0,270 3,734
94
5.3.2. Resultados do Segundo Grupo
Os sensores selecionados para formar o Grupo 2 apresentaram um grau
de correlação de aproximadamente 0,56. Os sensores pertencentes a este
grupo, apresentados na Tabela 11, medem a temperatura e a pressão nas
etapas do aftercooler e a pressão do refrigerante do motor de combustão interna.
Tabela 11. Sensores de Temperatura e Pressão - Grupo 2
Nº Sensores Grupo II
1 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 16 neurônios da camada de mapeamento e
desmapeamento, e de 1 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 20% 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 15
neurônios na camada de mapeamento e desmapeamento e 3 neurônios na
camada de estrangulamento. A Tabela 12, a seguir, mostra os resultados obtidos
na topologia 7-15-3-15-7 da RNAAM2 para os 7 sensores.
95
Tabela 12. Resposta da RNAA do Grupo 2
Grupo II 7-15-3-15-7
Sensor MSE MAPE % RMSE
1 0,006 0,5881 0,3075
2 0,0056 0,5901 0,2907 3 0,0019 0,4154 0,8958 4 0,0077 0,3233 0,6789 5 0,0037 0,6845 1,4887 6 0,0033 0,4406 0,8563 7 0,0087 0,5917 0,3823
Conforme se observa na Tabela 12, o erro MAPE é menor do que 1% para
todos os sensores. A Figura 33 apresenta a resposta da RNAAM2 para os
sensores 3 e 4 quando nenhuma medição apresenta perturbações.
820 830 840 850 860 870 880 890 900 910 920
135
140
145
150
Tempo(min)
ºF
Temperatura do ar no aftercooler posterior esquerdo
970 980 990 1000 1010 1020 1030 1040 1050 1060 1070
140
150
160
170
Tempo (min)
ºF
Temperatura do ar no aftercooler de frente esquerdo
Objetivo
RNAAM
Objetivo
RNAAM
Figura 33. Resposta dos sensores 3 e 4 da RNAA2
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 RNAAM2
para os sensores 1 (Pressão da saída do turbo de alta esquerdo) e 2 (Pressão
da saída do turbo de alta direito), considerando-se um offset de 4 psi no sensor
2. A Tabela 13 resume os resultados.
96
210 220 230 240 250 260 270 280 290 300 31028
30
32
34
36
38
Tempo(min)
psi
Pressão da saída do turbo de alta esquerdo
120 140 160 180 200 220
26
28
30
32
34
36
Tempo(min)
psi
Pressão da saída do turbo de alta direito
Objetivo
OffsetRNAAM
Objetivo
RNAAM
Figura 34. Respostas dos sensores 1 e 2 da RNAAM2 com falha no Sensor 2
(Offset=4 psi)
Tabela 13. Resposta da RNAAM2 a Falha do Sensor 2 (Offset=4 psi)
Grupo II 7-15-3-15-7
Sensor MSE MAPE % RMSE
1 0,0077 0,924 0,4278 2 0,0035 0,602 0,284
3 0,0084 0,8603 1,6134 4 0,0127 0,3595 0,7217 5 0,0036 0,5663 1,2685 6 0,0058 0,439 0,911 7 0,0048 0,4726 0,2361
Foi testada, a seguir, a RNAAM2 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
RNAAM2 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 14 resume os
resultados obtidos para a RNAAM2.
97
120 140 160 180 200 220135
140
145
150
ºF
Temperatura do ar no aftercooler posterior esquerdo
120 140 160 180 20020
25
30
35
psi
Pressão do ar na saída do turbo de alta direito
120 130 140 150 160 170 180 190
140
150
160
170
180
ºF
Temperatura do ar no aftercooler de frente direito
120 140 160 180
135
140
145
150
155
160
165
ºF
Temperatura do ar no aftercooler de posterior direito
120 140 160 180 200 22022
24
26
28
30
32
Tempo (min)
psi
Pressão do refrigerante do motor
Calibrado
Descalibrado
RNAAM
Figura 35. Resposta da RNAAM2 para falhas nos sensores 2, 4, 5, 6 e 7
(offset=4 unidades)
Tabela 14. Resposta da RNAAM2 para falhas nos sensores 2, 4, 5, 6 e 7
(offset=4 unidades)
Grupo II 7-15-3-15-7
Sensor MSE MAPE % RMSE
1 0,0089 1,7353 0,7615 2 0,005 1,2726 0,5651
3 0,0015 0,3847 0,83 4 0,01 0,4628 0,85
5 0,0044 0,8208 1,694
6 0,0065 0,6704 1,2708
7 0,004 0,6408 0,2405
Comparando-se os resultados obtidos nos testes para falhas em um único
sensor e para falhas múltiplas, verifica-se que a RNAAM2 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 0,33% do MAPE. Portanto, os erros estão dentro do limite estabelecido para
o conjunto de sensores analisado.
98
180 190 200 210 220 230 240 250
32
33
34
35
36
37
38
39
Tempo (min)
Sensor 1
RNAAM
Objetivo
Ruído
Finalmente, testou-se a RNAAM2 com ruído aleatório de 10% da faixa de
medição. Como exemplo, foi inserido nas medições do sensor 1 (Pressão do ar
na saída do turbo de alta esquerdo B) um ruído aleatório com distribuição normal
e desvio padrão equivalente a 3,5 psi. O resultado é apresentado graficamente
na Figura 36 e mostra que a RNAAM2 consegue filtrar o ruído e aproximar o sinal
à um sensor calibrado (Objetivo).
Figura 36. Resposta da RNAAM2 frente ao ruído no sensor 1
5.3.3. Resultados do Terceiro Grupo
Os sensores selecionados para formar este grupo têm correlações com
média de 0,33 e são apresentados na Tabela 15. Como existem sensores com
correlações lineares inferiores a 0,2, este grupo se constitui em um forte teste no
que diz respeito à reconstrução dos sinais frente a erros súbitos nos sensores.
Tabela 15. Sensores de Temperatura e Pressão- Grupo 3 Nº Sensores Grupo 3
1 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
99
A mesma metodologia foi novamente utilizada no treinamento da rede
RNAAM3. Neste caso, devido à baixa correlação existente entre os sensores, o
número de amostras fornecidas à rede foi aumentado para 1500. A RNAAM3
apresenta uma topologia 9-15-7-15-9 e a Tabela 16, 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 1 e 2, quando comparado ao número de entradas da
rede.
Tabela 16. Resultados da RNAAM3 -Matriz de Identidade
Grupo III 9-15-7-15-9
Sensor MSE (e-6) MAPE % RMSE
1 0,219 0,0165 0,0329 2 0,2078 0,0745 0,0068 3 0,1389 0,2133 0,1666 4 0,1234 0,2492 0,1816 5 0,2568 0,0748 0,0046 6 0,0506 0,0425 0,0937 7 0,3123 0,0378 0,0840 8 0,2808 0,4182 0,2338 9 0,1456 0,0343 0,0560
A RNAAM3 foi testada para um erro do tipo offset de 4 psi no sensor 1
(Pressão no combustível ferroviário) nos primeiros 125 min de operação. A
Figura 37 apresenta as respostas dos sensores 1 e 2 frente à falha, e a Tabela
17, a seguir, resume os resultados das métricas utilizadas. A resposta da
RNAAM3 é satisfatória por apresentar um erro MAPE menor do que 0,02%; ela
consegue corrigir o erro sem alterar as demais medições.
Tabela 17. Sensores de Temperatura e Pressão - Grupo 3
Grupo III 9-15-7-15-9
Sensor MSE MAPE % RMSE
1 0,0000 0,0122 0,0357
2 0,0000 0,0578 0,0055 3 0,0001 0,1696 0,1647 4 0,0002 0,2210 0,2087 5 0,0000 0,0537 0,0039 6 0,0000 0,0582 0,1489 7 0,0000 0,0285 0,0699 8 0,0003 0,2501 0,2011 9 0,0000 0,0707 0,1410
100
0 20 40 60 80 100 120130
140
150
160
Tempo(min)
psi
Pressão no combustível ferroviário
20 40 60 80 100 120
4
5
6
7
8
9
Tempo(min)
psi
Pressão de gases no Cárter
Objetivo
RNAAM
Descalibrado
Objetivo
RNAAM
Figura 37. Respostas da RNAA3 frente a uma falha no sensor 1
(Offset=4 psi)
A rede foi testada, a seguir, para um desvio lento de 0,125% (0,2 ºF) por
minuto no sensor 9 a partir do instante de tempo 500 (ao final do processo, o
desvio é de 10 ºF). A Figura 38a apresenta os resultados deste desvio e a Figura
38b mostra uma visão ampliada deste caso. Na Tabela 18 são resumidos os
resultados para os 9 sensores da RNAAM3.
Tabela 18. Resposta da RNAA3 para o desvio no sensor 9
Grupo III 9-15-7-15-9
Sensor MSE (e-3) MAPE % RMSE
1 0 0,0119 0,0223 2 0 0,0408 0,004 3 0,0001 0,201 0,1591 4 0,0001 0,2364 0,178 5 0 0,0338 0,002 6 0 0,0382 0,091 7 0 0,0202 0,0452 8 0 0,1382 0,0884 9 0,0018 0,9291 1,5752
101
500 550 600 650 700 750 800 850 900 950 100060
70
80
90
100
110
120
130
140
150
160
Time(min)
ºF
Temperatura do ECM
Calibrado
DescalibradoRNAA
(a)
730 740 750 760 770 780 790 800 810
80
90
100
110
120
130
140
150
160
Time(min)
ºF
Temperatura do ECM
Calibrado
DescalibradoRNAA
(b)
Figura 38. Respostas da RNAAM3 frente a uma falha de desvio no sensor 9
(Desvio Final=10 ºF)
Finalmente, a RNAAM3 foi testada para uma entrada com múltiplas falhas:
as medições dos sensores 1, 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 1
e 3. A Figura 39 apresenta as saídas da RNAAM3 dos sensores 1, 3, 7 e 6 para
falhas nos sensores 1 e 3; a Tabela 19, a seguir, resume os resultados.
A segunda resposta apresentada é simulada com falhas nos sensores 1, 3
e 7; a Figura 40 e a Tabela 20 apresentam as respostas da RNAAM3 e um
resumo dos resultados das falhas simultâneas.
102
0 20 40 60 80 100 120130
140
150
160
Tempo(min)
psi
Pressão no combustível ferroviário
20 40 60 80 100 120
4
5
6
7
8
9
Tempo(min)
psi
Pressão no Cárter
Objetivo
RNAAMOffset
Objetivo
RNAAM
10 20 30 40 50 60 70 80 90 100 110
70
80
90
100
Tempo (min)
psi
Pressão Pré Filtro de óleo
20 40 60 80 100 120
65
70
75
80
85
90
Tempo (min)
psi
Pressão do Óleo
Figura 39. Respostas da RNAAM3 frente a uma falha nos sensores 1 e 3
(Offset=4 unidades)
Tabela 19. Resposta da RNAAM3 para uma falha nos sensores 1 e 3
Grupo III 9-15-7-15-9
Sensor MSE (e-3) MAPE % RMSE
1 0,0063 0,0118 0,0357
2 0,0058 0,052 0,0055 3 0,1267 0,1596 0,1647
4 0,2235 0,2087 0,2087 5 0,016 0,0504 0,0039 6 0,0188 0,0553 0,1489 7 0,0217 0,0277 0,0699 8 0,2588 0,2309 0,2011 9 0,0165 0,065 0,141
103
0 20 40 60 80 100 120130
140
150
160
Tempo(min)
psi
Pressão no combustível ferroviário
20 40 60 80 100 120
4
5
6
7
8
9
Tempo(min)
psi
Pressão no Cárter
Objetivo
RNAAMOffset
Objetivo
RNAAM
10 20 30 40 50 60 70 80 90 100 110
70
80
90
100
Tempo (min)
psi
Pressão Pré Filtro de óleo
20 40 60 80 100 120
65
70
75
80
85
90
Tempo (min)
psi
Pressão do Óleo
20 40 60 80 100 120150
160
170
180
Tempo (min)
ºF
Temperatura de refrigerante do motor
10 20 30 40 50 60 70 80 90 100 110
40
45
50
55
60
Tempo (min)
ºF
Temperatura de entrada do compressorrefrigerante do motor
Figura 40. Resposta da RNAAM3 a falha nos sensores 1,3 e 7 (offset=5 unidades)
104
Tabela 20. Resposta da RNAAM3 a Falha do Sensor 1, 3 e 7 (offset=5 unidades)
Grupo III 9-15-7-15-9
Sensor MSE (e-3) MAPE RMSE
1 0,0063 0,0118 0,0357
2 0,0058 0,052 0,0055 3 0,1267 0,1596 0,1647
4 0,2235 0,2087 0,2087 5 0,016 0,0504 0,0039 6 0,0188 0,0553 0,1489 7 0,0217 0,0277 0,0699
8 0,2588 0,2309 0,2011 9 0,0165 0,065 0,141
Finalmente, a Tabela 21 e a Figura 41 apresentam os resultados da
RNAAM3 para falhas nos sensores 1 (Pressão no combustível ferroviário), 3
(Pressão Pré filtro de óleo), 7 (Temperatura do refrigerante do motor) e 9
(Temperatura do ECM).
Tabela 21. Resposta da RNAAM3 a Falha do Sensor 1, 3, 7 e 9 (offset=5 unidades)
Grupo III 9-15-7-15-9
Sensor MSE (e-3) MAPE RMSE
1 0,0063 0,0118 0,0357
2 0,0058 0,052 0,0055 3 0,1267 0,1596 0,1647
4 0,2235 0,2087 0,2087 5 0,016 0,0504 0,0039 6 0,0188 0,0553 0,1489 7 0,0217 0,0277 0,0699
8 0,2588 0,2309 0,2011 9 0,0165 0,065 0,141
20 40 60 80 100 120
140
150
160
Pressão no combustível ferroviário
Tempo(min)
psi
20 40 60 80 100
70
80
90
100Pressão Pré Filtro de óleo
Tempo (min)
psi
0 20 40 60 80 100 120 140
160
170
180
Temperatura de refrigerante do motor
Tempo (min)
ºF
40 60 80 100100
110
120
130
140
Temperatura do ECM
Tempo (min)
ºF
Objetivo
OffsetRNAAM
Figura 41. Resposta da RNAAM3 a falhas nos sensores 1, 3, 7 e 9
(offset=5 unidades)
105
Comparando-se os resultados obtidos nos testes sem perturbações e para
falhas múltiplas, verifica-se que a RNAAM3 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 0,34%
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.
5.4. 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.
5.4.1. 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 auto-
correção) 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, 2007).
Para testar a metodologia, foram consideradas perturbações nas medições
dos sensores dos Grupos 1 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 ºF
na medição do sensor 9/Grupo 3 (Temperatura do ECM no motor), no minuto
106
900. A probabilidade de falso alarme foi fixada em 0,01 (ou 1%), e a de ausência
de alarmes, em 0,1 (ou 10%). Na Figura 42, o gráfico superior apresenta o erro
no sinal de medição e a resposta da RNAAM3; 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.
100 200 300 400 500 600 700 800 900
130
140
150
ºF
Temperatura do ECM
0 200 400 600 800 10000
1
2
3
Tempo (min)
Resíduo
0 200 400 600 800 10000
0.5
1
Tempo (min)
SPRT
Figura 42. Resposta do MDF frente ao erro no sensor 9/Grupo 3 (offset=2 ºF)
O MDF foi testado, também, para um desvio de 0,2 ºF por minuto no
Sensor 1/Grupo 1 (Temperatura de escape no cilindro 1LB) a partir do instante
500. 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 0,05, e a de ausência de alarme, em 0,01. A Figura 43
mostra o desvio no sinal de medição e a resposta da RNAAM1, o resíduo nos
sinais e a saída do MDF. Como se observa, o modelo responde corretamente no
momento em que o desvio ocorre.
0 200 400 600 800 10000
0.5
1
SPRT
Tempo (min)0 200 400 600 800 1000
-200
0
200Residuo
Tempo (min)
0 100 200 300 400 500 600 700 800 900 1000600
800
1000
1200Temperatura de escape cilindro 1LB
ºF
Figura 43. Resposta do MDF frente ao desvio no sensor 1/Grupo1 (5 ºF por minuto)
Finalmente, o MDF foi testado para uma falha simultânea nos sensores 1,
3, 7 e 9 do Grupo 3. Foi simulado um offset de 5 unidades ao mesmo tempo
durante os primeiros 112 minutos (cf. Figura 41). A probabilidade de falso alarme
107
foi fixada em 0,01 e a de ausência de alarme em 0,1 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.
0 200 400 600 800 10000
0.5
1
Tempo (min)
SP
RT
Módulo de Lógica de Detecção
0 200 400 600 800 10000
0.5
1
Tempo (min)
SP
RT
0 200 400 600 800 10000
0.5
1
Tempo (min)
SP
RT
0 200 400 600 800 10000
0.5
1
Tempo (min)
SP
RT
Figura 44. Respostas do MDF frente às falhas simultâneas nos sensores do Grupo 3
5.4.2. 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 1, 3, 7 e 9, entradas da
RNAAM3, foram corrompidas com um offset de 5 unidades ao mesmo tempo (cf.
Figura 41) durante 112 minutos. Os resíduos foram normalizados no intervalo
[-1,1] em função do valor máximo da sua faixa de medição e foram fixadas as
108
correlações médias para cada sensor. A Tabela 22 resume os valores
selecionados para o teste.
Tabela 22. Valores máximos para a normalização dos resíduos
Erro Valor Correlação Sensor Falha:
Offset (%) Máximo Sensor 1 5 psi 2,94 170 psi 0,16 3 5 ºF 2,34 212 ºF 0,52 7 5 psi 5 100 psi 0,38 9 5 ºF 3,1 160 ºF 0,26
A Figura 45 apresenta os resultados do modelo de auto-validação. São
mostrados os gráficos dos resíduos obtidos após executado o modelo de auto-
correção (esquerda), do módulo de confiabilidade (centrais) e do módulo de
classificação das falhas avaliadas (direita).
0 50 100 1500
5
Sen
sor
1
Resíduos
0 50 100 1500
0.5
1
Confiabilidade
0 50 100 1500
0.5
1
Classificação
0 50 100 1500
5
Sen
sor
3
0 50 100 1500
0.5
1
0 50 100 1500
0.5
1
0 50 100 1500
5
Sen
sor
7
0 50 100 1500
0.5
1
0 50 100 1500
0.5
1
0 50 100 1500
5
Tempo (min)
Sen
sor
9
0 50 100 1500
0.5
1
Tempo (min)0 50 100 150
0
0.5
1
Tempo (min)
Figura 45. Respostas do modelo de Auto-Validação a falhas nos sensores 1, 3, 7 e 9
(offset=5 unidades)
É possível perceber que o módulo de confiabilidade gera respostas com
valores próximos a 1, 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 21).
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 RNAAM2, correspondentes aos
sensores 1 e 4, foram corrompidas com um desvio de 0,02 unidades durante 600
minutos. Atingida a falha máxima (12 unidades), o sinal é mantido com essa
109
variação ao longo dos 400 minutos restantes. Os resíduos foram também
normalizados no intervalo [-1,1] 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 1 e 4.
Erro Max. Valor Correlação
Sensor Falha: Desvio (max) (%) Máximo Sensor
1 12 psi 30 40 psi 0,56 4 12 ºF 8 150 ºF 0,63
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 1 (Pressão do ar na saída do turbo de alta
esquerdo) diminui até atingir uma confiabilidade média final de 0,45, resultado da
magnitude da falha (30% erro) em uma faixa de medição que possui um valor
máximo de 40 psi. 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 =0.5). Já no caso do sensor 4, (Temperatura do ar no aftercooler
posterior esquerdo), a confiabilidade do sensor é alta (aproximadamente 0,85),
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=1). Portanto, o especialista, no momento de programar
novas calibrações, dará prioridade ao sensor 1.
0 100 200 300 400 500 600 700 800 900 10000
20
40
Tempo (min)
psi
Pressão do ar na saída do turbo de alta esquerdo
0 100 200 300 400 500 600 700 800 900 1000120
130
140
150
160Temperatura do ar no aftercooler posterior esquerdo
Tempo (min)
ºF
RNAAM
Descalibrado
Calibrado
Figura 46. Respostas do modelo de auto-correção às falhas nos sensores 1 e 4
110
0 500 10000
5
10
Sen
sor
1
Resíduos
0 500 10000
0.5
1Confiabilidade
0 500 10000
0.5
1
Classificação
0 500 10000
5
10
Tempo (min)
Sen
sor
4
0 500 10000
0.5
1
Tempo (min)0 500 1000
0
0.5
1
Tempo (min) Figura 47. Respostas do modelo de auto-validação às falhas nos sensores 1 e 4.
Um terceiro teste foi realizado considerando-se um desvio de 0,012 ºF por
minuto no sensor 9 ao longo da sua faixa de medição; após 1639 amostras, o
desvio final é de 20 ºF (cf. Figura 48).
0 200 400 600 800 1000 1200 1400 1600 180040
60
80
100
120
140
160
Tempo (min)
ºF
Sensor 9 - Temperatura no ECM
Objetivo
DesvioRNAAM
Figura 48. Resposta da RNAAM3 à falha no Sensor 9 - Grupo 3
Da mesma forma que nos casos anteriores, os resíduos foram
normalizados entre [-1,1], correspondente a uma falha máxima de ±160 ºF
(100%). 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).
111
0 200 400 600 800 1000 1200 1400 1600 18000
10
20
Res
íduo
Temperatura do ECM - Grupo 3
0 200 400 600 800 1000 1200 1400 1600 18000
0.5
1
Con
fiabi
lidad
e
0 200 400 600 800 1000 1200 1400 1600 18000
0.5
1
Tempo (min)
Cla
ssifi
caçã
o
Figura 49. Resposta do modelo de Auto-Validação ao desvio no Sensor 9-Grupo 3
Verifica-se que o resíduo gerado pela RNAAM3 representa o tipo de falha
existente no sensor (cf. Figura 49 - gráfico superior). Quando o resíduo gerado
ultrapassa os 10 ºF, é possível perceber que a confiabilidade começa a diminuir,
até chegar a um valor estável de 0,75, 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 0,26, correspondente à
correlação média entre o sensor falho e os 8 sensores restantes da RNAAM3,
indica que, ainda com uma falha máxima no sensor de 20 ºF (12,5% na faixa de
medição), o especialista pode confiar que a RNAAM3 realizará uma excelente
aproximação das medições do sensor falho. Portanto, este pode ser mantido no
processo (saída do módulo de classificação igual a 1), sem necessidade de se
realizar uma calibração imediata (cf. Figura 49 - gráfico inferior).
Como último teste, foi simulado um desvio de 0,011 psi por minuto no
primeiro sensor do grupo 2 (Pressão do ar na saída do turbo de alta esquerdo),
obtendo-se como falha máxima, após 1639 minutos de simulação, um desvio
igual a 16 psi (cf. Figura 50). Os resíduos gerados pela RNAAM2 foram
normalizados em função do valor máximo da faixa de medição (40 psi). Assim, o
desvio de 16 psi corresponde a um erro de 40% da faixa de medição, falha que
representa um estado grave do sensor.
112
0 200 400 600 800 1000 1200 1400 1600 18005
10
15
20
25
30
35
40
Tempo (min)
psi
Pressão do ar na saída do turbo de alta esquerdo
RNAAM
Descalibrado
Calibrado
Figura 50. Resposta da RNAAM2 à falha no sensor 1-Grupo 2
A Figura 51, 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.
0 200 400 600 800 1000 1200 1400 1600 18000
10
20
Res
iduo
(pi
s)
Pressão do ar na saída do turdo de alta esquerdo
0 200 400 600 800 1000 1200 1400 1600 18000
0.5
1
Con
fiabi
lidad
e
0 200 400 600 800 1000 1200 1400 1600 18000
0.5
1
Tempo (min)
Cla
ssifi
caçã
o
Figura 51. Resposta do modelo de auto-validação
O módulo de classificação indica que a partir do minuto 1100, quando o
erro é de 11 psi (equivalente a 29% da faixa de medição), deve-se agendar uma
nova calibração do sensor. A RNAAM2 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.
113
1300 1350 1400 1450 1500 1550 1600 1650
15
20
25
30
35
Tempo (min)
psi
Pressão do ar na saída do turbo de alta esquerdo
RNAAM
Descalibrado
Calibrado
Figura 52. Detalhamento da resposta da RNAAM2 à falha do sensor 1
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.
