Detecção de Falhas em um Elemento Final de Controle via

ERMAC 2010: I ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL
11 - 13 de Novembro de 2010, São João del-Rei, MG; pg 279 - 280
Detecção de Falhas em um Elemento Final de Controle
via Modelo Oculto de Markov
Carolina C. Pinto* Gustavo M. de Almeida
Campus Alto Paraopeba, UFSJ
36.420-000, Ouro Branco, MG
E-mail: [email protected]
RESUMO
Introdução: O papel da área de monitoramento de processos em indústrias químicas é evitar,
ou pelo menos, minimizar, possíveis perdas, como por exemplo: produção fora das
especificações, paradas não programadas, e operações inseguras. A sequencia de etapas em uma
atividade de monitoramento é dada pela detecção e diagnóstico das falhas, com a posterior
recuperação das operações, a partir da intervenção de operadores. Uma detecção precoce é
importante para amenizar as perdas [2,5].
Estudo de Caso: O benchmark DAMADICS (Development and Application of Methods for
Actuator Diagnosis in Industrial Control Systems), da área de controle de processos industriais,
é usado como estudo de caso. Podem-se simular dezenove falhas, abruptas ou incipientes, para
três elementos finais de controle (atuadores) [1,4].
Objetivo e Justificativa: O objetivo é construir um sistema de detecção de falhas baseado
no método denominado modelo oculto de Markov, para um dos atuadores desse
benchmark, responsável por controlar o fluxo de xarope de açúcar para o primeiro
evaporador de uma estação de evaporação. A função dessa estação é concentrar o xarope de
açúcar, por volta de 14%, para cerca de 70%, em massa, de modo a viabilizar a etapa
subsequente de cristalização. O controle do nível do xarope nesse primeiro evaporador é
essencial para a garantia de aspectos de segurança, ambientais e econômicos. Como exemplo, há
risco de explosão do equipamento em caso de um nível de xarope abaixo do limite inferior de
segurança. O método de modelo oculto de Markov (HMM, "Hidden Markov Model"), uma
extensão dos modelos de Markov, é pertencente a área de processamento de sinais e parte
integrante da classe de modelos baseados em dados históricos [3].
Metodologia: Dividiu-se a metodologia em três etapas: Etapa 1, responsável pela geração de
bancos de dados para operações em condições normais e de falha (a partir de um modelo do
atuador disponível em Matlab/Simulink); Etapa 2, para a identificação de um sistema de
detecção de falhas baseado em HMM, a partir da geração de um conjunto de modelos
candidatos; e Etapa 3, responsável pela detecção de falhas no atuador do benchmark
DAMADICS foco desse estudo. Estudou-se três tipos de falhas e cinco cenários (a partir da
combinação com os modos abrupto e incipiente para as falhas): f16 abrupta (f16A), causada
pela queda de pressão no suprimento de ar para o posicionador do atuador; f17 abrupta (f17A) e
f17 incipiente (f17I), oriundas de uma mudança inesperada de pressão através da válvula de
controle; e f18 abrupta (f18A) e f18 incipiente (f18I), causadas pela abertura parcial ou total da
válvula "bypass". A variável de monitoramento é o fluxo de xarope de açúcar (F; em m3/h).
Apresentação e Discussão dos Resultados: Submeteu-se o sistema de detecção de falhas,
baseado no método do modelo oculto de Markov, a condições normais e anormais de operação.
Caso 1: Operação Anormal − Falhas Abruptas: A Figura 1 contém o comportamento do
sistema de monitoramento baseado em um HMM característico de operações normais (HMMNormal), frente à condição anormal abrupta f16A. Esse sistema é capaz de identificar a
condição operacional inicialmente normal, dada pelas oito primeiras sequências de observações
(O1 a O8), e de detectar, de modo imediato, a presença da falha abrupta, dada pelos valores de
verossimilhança (log[P(O|HMM-Normal)], a saída do modelo HMM) abaixo de −92,6 (o valor
esperado no caso de condição normal). Em outras palavras, o modelo HMM, característico de
operações normais, não é mais capaz de gerar, após a ocorrência da falha, as sequências de
observações (O9, O10, ...), uma vez que são oriundas de uma condição operacional anormal.
* Bolsista de Iniciação Científica PIBIC/CNPq
279
280
0
log[P(O|HMM-Normal)]
-50
O8
-100
-150
O9
-200
-250
-300
Início da falha abrupta f16A
-350
0
10
20
30
40
50
Sequência de Observações (O)
Caso 2: Operação Anormal − Falhas Incipientes: A Figura 2 contém o comportamento do
sistema de monitoramento, baseado em um HMM característico de operações normais (HMMNormal), frente à condição anormal incipiente f17I. O interesse por este tipo de falha é maior, e
quanto mais precoce a sua detecção, menores as perdas. Como no caso anterior, o sistema é
capaz de identificar a condição operacional inicialmente normal (O1 a O8). Em seguida, pode-se
observar a evolução da falha e a sua detecção em O10, ou seja, em um estágio inicial. Após este
período, com a sua manifestação completa, pode-se verificar a capacidade do sistema de
detecção em confirmá-la, a partir dos valores de verossimilhança abaixo de −92,6.
0
log[P(O|HMM-Normal)]
-50
O9
-100
-150
-200
-250
-300
Início da falha incipiente f17I
-350
0
20
40
60
80
100
Sequência de Observações (O)
Conclusão: Pôde-se observar a capacidade do sistema de monitoramento, baseado no método
do modelo oculto de Markov, de detectar, de modo imediato, as situações anormais abruptas, e
ainda em um estágio inicial, aquelas incipientes.
Palavras-chave: Monitoramento de processos químicos, Detecção de situações anormais,
Benchmark DAMADICS, Modelo oculto de Markov
Referências
[1] M. Bartys, S. de las Heras, Actuator simulation of the DAMADICS benchmark actuator
system, em "Proc. of the IFAC Symposium SafeProcess", 2003, pp. 963-968.
[2] L. H. Chiang, E. L. Russel, R. D. Braatz, "Fault Detection and Diagnosis in Industrial
Systems", Springer, Londres, 2001.
[3] L. Rabiner, A tutorial on hidden Markov models and selected applications in speech
recognition, em "Proc. of the IEEE", v. 77, no. 2, pp. 257-286, 1989.
[4] M. Syfert, R. Patton, M. Bartys, J. Quevedo, Development and application of the methods
for actuator diagnosis in industrial control systems (DAMADICS): A benchmark study, em
"Proc. of the IFAC Symposium SafeProcess", p. 939-950, 2003.
[5] X. Z. Wang, “Data mining and knowledge discovery for process monitoring and control:
Advances in industrial control”, Springer, Londres, 1999.
* Bolsista de Iniciação Científica PIBIC/CNPq