Embed Size (px)
Citation preview
APLICAÇÃO DE REDES NEURAIS PARA DETECÇÃO DE LINHAS DE IMPULSO ENTUPIDAS EM MEDIÇÕES DE VAZÃO
Denis Borg
[email protected] Universidade de São Paulo (USP)
Rodrigo Palucci Pantoni
[email protected] Universidade de São Paulo (USP)
Eduardo André Mossin
[email protected] Universidade de São Paulo (USP)
Dennis Brandão [email protected]
Universidade de São Paulo (USP)
Abstract In industrial flow measurements world, the differencial producers (DP flowmeters) are the most common type of flowmeter used. Flowmeters in this class measure the differential pressure (DP) caused by an obstruction (orifice plate) in the flow stream. The differential pressure is the difference in pressure between a point before the obstruction and a point after the obstruction. Depending on the industrial process conditions, the fluid may begin to plug the line and modify pressure information in the capacitive cell of pressure transmitter causing a measurement error. Solutions as proposed algorithms for automatic detection of partial obstruction in operation are very complex and difficult to be implemented. Based in this context, new paradigms such as artificial neural networks may be an alternative to a simple and efficient solution to this problem. This work aims at implementing an RNA used for pattern recognition to detect such a blockage of transmitter impulse lines in industrial processes. Key words: Flow Measurement, Artificial Neural Networks, Pressure, HART, Fieldbus
Resumo Nas medições industriais de vazão, a utilização de um elemento deprimogênio associado a um transmissor de pressão é prática muito comum. Esse elemento deprimogênio ao ser atravessado por uma vazão gera uma queda na pressão que, ao ser medida com um transmissor de pressão, torna possível de se inferir a vazão de uma tubulação. Dependendo das condições do processo industrial, o fluído pode começar a obstruir uma das linhas de impulso que levam a informação das pressões à montante e à jusante da placa de orifício para as câmaras de alta e baixa pressão da célula capacitiva do transmissor de pressão. Soluções como algoritmos propostos para detecção automática dessa obstrução parcial com o processo em operação são muito complexos e difíceis de serem implementados. Baseado nesse contexto, novos paradigmas como Redes Neurais Artificias (RNA) podem ser uma alternativa para uma solução simples e eficiente para o problema em questão. Este trabalho tem como objetivo a implementação de uma RNA para reconhecimento de padrões a fim de detectar uma obstrução de linhas de impulso com o processo industrial em operação. Palavras chaves: Medição de vazão, Redes Neurais Artificiais, Pressão, HART, Fieldbus.
1. INTRODUÇÃO A detecção de linhas de impulso entupidas em processos em operação é um recurso de natureza proativa de suma importância em aplicações que incluem medições de vazão. A maioria das tecnologias disponíveis na área não permitem tal detecção com o processo ainda em funcionamento. Em razão disso, quando ocorre uma obstrução em processos industriais que incluem medição de vazão, é muito comum que operadores removam o transmissor de pressão do processo a fim de descobrir a causa da falha. Na maioria das vezes existe uma errônea interpretação do problema envolvido, que pode ser confundido, por exemplo, com um problema de calibração deste instrumento de campo. Tal procedimento de remoção do instrumento para uma análise de bancada deixa de ser uma opção interessante quando comparado a avançados métodos de diagnóstico com o processo ainda em operação, que além de serem mais objetivos na resolução do problema, permitem uma parada programada do processo industrial, que economiza custos e ajuda no planejamento de manutenção como um todo. Baseado nesse contexto, novos paradigmas como Redes Neurais Artificias (RNA) podem ser uma alternativa para uma solução simples e eficiente para o problema em questão. Este trabalho tem como objetivo a implementação de uma RNA para reconhecimento de padrões a fim de detectar a obstrução de linhas de impulso com o processo industrial em operação. São utilizadas informações de processo reais para treinamento e validação da RNA e da metodologia aplicada. Dessa maneira, a seção seguinte detalha o problema de detecção de linhas de impulso em medições de vazão. A seção 3 apresenta a metodologia aplicada para solução do problema. Já na seção 4, são apresentados os resultados obtidos. A análise desses resultados é feita na seção 5 e, por fim, na seção 6 são tecidas as conclusões do trabalho realizado. 2. DEFINIÇÃO DO PROBLEMA Nas medições industriais de vazão, a utilização de um elemento deprimogênio associado a um transmissor de pressão é prática muito comum (Ilustração 1). Numa visão geral, o elemento deprimogênio ao ser atravessado por uma vazão, gera uma queda na pressão (Bernoulli), e, ao se medir essa queda de pressão com um transmissor de pressão, pode se inferir a vazão que está passando por uma tubulação através da fórmula (1).
(1) onde Q é a vazão; k é uma constante que depende das propriedades do fluido, das características da
tubulação e do elemento deprimogênio; é a pressão diferencial medida pelo transmissor de pressão (geralmente através de uma célula capacitiva).
Ilustração 1: medição industrial de vazão com um elemento deprimogênio e um transmissor de pressão
diferencial.
Dependendo das condições do processo, o fluído pode começar a obstruir uma das (ou as duas) linhas de impulso que levam a informação das pressões à montante e à jusante da placa de orifício para as câmaras de alta e baixa pressão da célula capacitiva do transmissor de pressão. Observando-se o comportamento da pressão diferencial, verifica-se que o padrão da forma da pressão diferencial é alterada quando há algum tipo de obstrução nas linhas de impulso.
. 3. SOLUÇÃO DO PROBLEMA Com a utilização de elementos deprimogênios e transmissores de pressão é possível alimentar um banco de informações nas quais são utilizadas para treinamento de uma RNA supervisionada. A RNA aprende o padrão de pressão diferencial medida pelo transmissor de pressão quando os “tubings” ou linhas de impulso que interligam o transmissor ao processo estão limpas (desobstruídas), e quando existe um início de entupimento (simulado a partir de um fechamento parcial nas válvulas do manifold). Após a fase de aprendizado, pode-se verificar se há alguma alteração do padrão diferencial do processo e identificá-lo gerando-se um diagnóstico para o usuário ou operador do sistema de forma a corrigir o problema antes que a medição seja comprometida. Foi utilizado um kit de demonstração para aquisição dos dados de treinamento e validação da RNA, um reservatório de aproximadamente 4 litros de água e uma bomba de água. Além disso, utilizaram-se conexões para as mangueiras de água e conexões elétricas para a alimentação da bomba (Ilustração 2 e Ilustração 3).
Ilustração 2: Reservatório e bomba de água.
Ilustração 3: Orifício Integral e transmissor de pressão.
Foi também utilizado um suporte plástico, um transmissor de pressão diferencial com protocolo de comunicação HART acoplado através de válvulas a um orifício integral e conexões hidráulicas e elétricas. A Ilustração 4 mostra todo o conjunto de equipamentos interconectados.
Ilustração 4: Reservatório e bomba de água.
Observando-se a Ilustração 5, a bomba faz que com a água circule pelas mangueiras. Ao chegar ao orifício integral, a obstrução causada provoca um aumento na velocidade do fluído que passa por uma área menor e isso causa uma queda de pressão que é lida pelo transmissor de pressão.
Ilustração 5: Orifício Integral
Os cenários para aquisição dos dados são:
a) Válvulas totalmente abertas simulando condições normais de processo; b) Uma válvula à montante (entrada do orifício integral) à 50% de abertura e a outra totalmente
aberta. Essa situação simula um início de entupimento na referida linha de impulso. c) As duas válvulas 50% abertas, simulando um entupimento nas duas linhas.
O transmissor lê as pressões e as converte em um sinal HART que é um padrão bem conhecido na área de automação e controle, e que utiliza chaveamento de freqüências de 1200 e de 2200 Hz para o envio de bits 1’s e 0’s. No laptop foi utilizado um software de gerenciamento de ativos chamado AMS. Esse software lê as informações HART através de um HART modem e disponibiliza os dados no padrão industrial OPC (OLE For Process Control). Foi utilizado um software add-in do excel, que lê os dados OPC provenientes do software de Gerenciamento de Ativos de Campo (Ilustração 6).
Ilustração 6: OPC Excel ADD-IN
Após a montagem do kit, de fazer circular água pelo kit, de iniciar a comunicação HART e configuração dos softwares de Gerenciamento de Ativos de Campo AMS e EXCEL, foi possível coletar alguns dados respeitando as condições a, b e c expostas anteriormente. Foi desenvolvida uma RNA tipo Perceptron Multicamadas (PMC) (Ilustração 7). Essa RNA possui uma entrada (x1), que é a medida de pressão diferencial em mmH2O, e uma saída (y) que é o diagnóstico de entupimento (ou não entupimento) de uma ou duas linhas de impulso. N1 é o número de neurônios utilizados na camada intermediária da RNA.
Ilustração 7: Rede Neural implementada.
Os padrões ou amostras coletadas (50 amostas) em cada uma das três situações foram registradas (Tabela 4 nos Anexos). Vinte por cento (20%) desses padrões (que resulta em 10 valores) foram escolhidos aleatoriamente desse grupo para que fosse feita a validação da RNA. Tais valores foram normalizados para a faixa entre zero e um, em razão da função de ativação utilizada (logística sigmóide). O valor máximo encontrado foi de 218,6581 mmH2O e mínimo foi de 208,0925 mmH2O. Foram testados vários valores de N1 (número de neurônios da camada escondida). Foram três treinamentos com 5, 10 e 15 neurônios. Posteriormente foi realizado mais um treinamento com 3 neurônios e um outro com 50 neurônios para testar os limites de número de neurônios. Com todos estes resultados obtidos, uma análise foi feita e as conclusões dessa análise são mostradas no próximo item. 4. RESULTADOS O resultado da classificação obtido nessa rede é formado por um vetor de 3 posições, onde: y = 100 significa operação normal; y = 010 significa início de entupimento em uma linha de impulso; y = 001 significa início de entupimento nas duas linhas de impulso. Diferentes maneiras de calcular o erro podem ser usadas. Neste projeto foram utilizados o MRE (Mean Relative Error – Erro relativo médio), o MARE (Mean Absolute Relative Error – Erro relativo absoluto médio) e a variância. O MARE é um dos métodos mais usados e sua fórmula é:
(2)
Nesta fórmula, o campo VC representa o valor calculado pela rede. O campo VD é o valor desejado obtido das amostras de teste. O campo n é o número de amostras utilizadas para teste. Para saber se o modelo implementado tende a ser superestimado ou subestimado, o MRE é usado. Neste caso, se o valor do MRE for negativo e muito alto em termos absoluto, tem-se que o modelo subestima a saída. Caso contrário, o modelo superestima. A fórmula (3) mostra a maneira de calcular o MRE.
(3)
Outra medida foi a variância, que indica quão longe em geral os valores encontrados estão dos valores desejados. Dessa maneira, as tabelas seguintes mostram as taxas de erro de cada modelo de rede treinada.
a. Para a camada neural escondida com 5 neurônios:
Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) 4.187 3.66 2.286 MRE (%) -0.61 -0.45 -0.24 Variância 0.660 0.483 0.115
No melhor resultado dentre os 3 treinamentos, o MARE mostrou uma porcentagem de erro de 2.28%, a variância foi de 0.115 e o MRE foi de -0.24%. Cada aplicação que utiliza RNA pode ter uma tolerância a erros diferente e considerando que outros métodos de análise podem ser usados paralelamente a fim de detectar este tipo de problema, conclui-se que tal rede tem um resultado aceitável.
b. Para a camada neural escondida com 10 neurônios:
Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) 3.187 2.32 2.7
MRE (%) -0.52 -0.35 -0.54
Variância 0.70 0.383 0.415
No melhor resultado dentre os 3 treinamentos utilizando-se 10 neurônios, o MARE mostrou uma porcentagem de erro de 2.32%, a variância foi de 0.383 e o MRE foi de -0.35%. Neste segundo caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5 neurônios.
c. Para a camada neural escondida com 15 neurônios:
Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) 2.87 2.45 3.12
MRE (%) -0.62 -0.52 -0.51
Variância 0.85 0.41 0.55
No melhor resultado dentre os 3 treinamentos utilizando-se 15 neurônios, o MARE mostrou uma porcentagem de erro de 2.45%, a variância foi de 0.41 e o MRE foi de -0.52%. Neste caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5 e 10 neurônios.
d. Para a camada neural escondida com 3 neurônios:
Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) 2.67 2.51 3.01
MRE (%) -0.56 -0.42 -0.41
Variância 0.88 0.51 0.52
No melhor resultado dentre os 3 treinamentos utilizando-se 3 neurônios, o MARE mostrou uma porcentagem de erro de 2.51%, a variância foi de 0.51 e o MRE foi de -0.42%. Neste caso, conclui-se que tal rede tem um bom resultado, bem parecido com o treinamento com 5, 10 e 15 neurônios, mas pensando numa futura implementação em hardware é interessante que mantenha-se a rede com 5 neurônios por questão de robustez do sistema.
e. Para a camada neural escondida com 50 neurônios:
Treinamento 1 Treinamento 2 Treinamento 3 MARE (%) 84.12 83.51 86.01
MRE (%) -15.98 -14.51 -16.41
Variância 14.11 13.12 15.73
No melhor resultado dentre os 3 treinamentos utilizando-se 50 neurônios, o MARE mostrou uma porcentagem de erro de 83.51%, a variância foi de 14.51 e o MRE foi de 13.12%. Foi feito um teste com 40 neurônios e a rede ainda funcionou bem. Porém, para 50 neurônios, houve overfitting e a rede colocou todas as saídas em “1”. Esse teste foi apenas para verificar hipoteticamente qual seria o valor limite de neurônios para que não ocorra o overfitting.
4. CONCLUSÕES Através dos resultados foi possível a escolha da configuração com 5 neurônios na camada escondida para a rede perceptron multicamadas (PMC). Pode-se concluir que a rede convergiu corretamente, e que pode ser utilizada para os fins de indicar se não há obstrução ou se existe algum início de entupimento em alguma (ou nas duas) das linhas de impulso. O tempo para rodar o algoritmo foi menor que 2 segundos, que provavelmente é suficiente para o processo em estudo. Por esse fato não foi utilizado nenhum método para acelerar o algoritmo da rede como, por exemplo, a inserção do termo momentum. As condições do processo estavam bem estáveis. Embora os dados tenham sido coletados de um kit real, ou seja, os valores são práticos e reais, isso não garante que o mesmo sistema possa ser utilizado em qualquer sistema semelhante sem outros testes e ajustes. Seria interessante a verificação de duas sugestões para se explorar melhor esse tema: - Estudar uma forma de colocar um ajuste de sensibilidade no reconhecimento de linha entupida. - Estudar uma forma de se reiniciar o processo de aprendizagem caso a dinâmica do processo seja muito alterada. Essas sugestões ajudariam no funcionamento do sistema quando as alterações (devido a cargas, alteração de tensão elétrica nas bombas, desgaste das bombas...) forem diferentes das situações encontradas nesse experimento. Além dessas conclusões, é notável que para utilizar Redes Neurais, o desenvolvedor precisa selecionar a melhor rede. O critério de seleção entre diferentes redes é pragmático, ou seja, é escolhida aquela que atinge os objetivos esperados. Também não está assegurada sempre a reprodutibilidade dos resultados, já que a cada treinamento os pesos iniciais são aleatórios, o que pode conduzir a diferentes áreas da superfície de erro. Existem ainda diferentes critérios de convergência, que podem resultar em diferentes mínimos locais. Esses fatos contribuem para certa insegurança no uso desse instrumento, que pode ser superada pela realização de vários treinamentos e observação da distribuição de seus resultados. Outro problema é o super treinamento, onde a rede captura relações quantitativas do ruído dos dados, prejudicando sua generalização (validade externa). É importante notar que caso haja dados que não estão no range das amostras usadas no treinamento, um novo treinamento, com novas amostras pertencentes a este novo range deve ser feita.
AGRADECIMENTOS Os autores agradecem à estrutura acadêmica de pesquisa da escola da engenharia de São Carlos - Universidade de São Paulo. ANEXO Valores de pressão diferencial em mmH2O.
normal 1 linha entupida 2 linhas entupidas 210.8897705 208.1526489 209.125351 210.9837341 208.1191864 209.1771698 211.3058319 208.1463318 209.1884613 210.723877 208.1508026 209.2077637 210.6045227 208.1208801 209.2219543 210.3305664 208.1510925 209.2454071 210.8990173 208.0924683 209.255661 218.6581116 208.1235809 209.2642975 210.9657745 208.0978241 209.3283997 211.4857178 208.0974579 209.3442078 212.4649506 208.0990906 209.3627167 211.2543335 208.1233215 209.3799439 210.2228546 208.1321259 209.4008789 211.8647766 208.1391602 209.4195404 211.5408936 208.1299591 209.4410706 211.9470825 208.1652832 209.5068665 212.693222 208.1890717 209.5329895 214.279129 208.1652832 209.5584869 211.8990631 208.1921234 209.5584869 211.2649078 208.208313 209.5716095 212.7497253 208.2238312 209.5972137 212.6056061 208.1999664 209.6216278 213.1591644 208.2386017 209.6348267 213.2043304 208.1878052 209.6734924 213.3355102 208.2618256 209.6929474 212.7410584 208.2605438 209.7112122 213.6821899 208.2555847 209.7303772 213.5110168 208.287323 209.75354 212.1257782 208.3269348 209.7833252 213.2108765 208.2568359 209.8020325 214.2945862 208.3616638 209.8186035 213.8242645 208.3626862 209.8440552 213.9936829 208.3536682 209.8936462 214.9150391 208.3372345 209.9141693 214.6226807 208.3850555 209.9379425 215.1373444 208.4109497 209.9482117 214.2863312 208.4390869 209.9637299 216.1473236 208.4598083 210.0031281 215.5043182 208.4152679 210.0222015
214.7303619 208.4684296 210.0414886 212.3654327 208.1526489 209.125351 210.8436737 208.1239166 209.1504822 210.8158264 208.1165161 209.2698822 212.1408997 208.102951 209.3158112 211.2440491 208.1917419 209.4606628 211.9225464 208.3055573 209.4834442 211.8637238 208.3266754 209.6537018 212.8607483 208.3841858 209.8698273 212.835907 208.4400635 209.9848938 212.93573 208.491272 210.0834503
REFERÊNCIAS BIBLIOGRAFICAS PENNA, M. L. F.. Rede neural artificial para detecção de sobremortalidade atribuível à cólera no Ceará. Revista de Saúde Pública, São Paulo, v. 38, n. 3, 2004. SILVA, I.N.. Notas de aula do curso de Redes Neurais prof. Dr. Ivan Nunes da Silva EMERSON. Manual do transmissor 3051S. Acesso em: 20/04/2009. Disponível em: http://www.emersonprocess.com/rosemount/document/man/4801b00j.pdf HARVEY. R. L. Neural Network Principles.
DADOS DOS AUTORES Denis Borg Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: 13566-590 São Carlos, SP Telefone: +55 15 3238 3500 e-mail: [email protected] Rodrigo Palucci Pantoni Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: 13566-590 São Carlos, SP Telefone: +55 16 3946-3516 – Ext. 6690 e-mail: [email protected] Eduardo André Mossin Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: 13566-590 São Carlos, SP Telefone: +55 16 3946-3516 – Ext. 6735 e-mail: [email protected] Dennis Brandão Laboratório de Automação Industrial, Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP) Endereço: Avenida Trabalhador São-carlense, 400. CEP: 13566-590 São Carlos, SP Telefone: (16) 3373 9365 e-mail: [email protected]
