Mr8

MONITORAMENTO E DIAGNÓSTICO DE MÚLTIPLOS SENSORES POR
REDES NEURAIS AUTO-ASSOCIATIVAS

Marley Vellasco∗

Javier Reyes∗

marley@ele.puc-rio.br

javier.rys@gmail.com

Ricardo Tanscheit

∗

ricardo@ele.puc-rio.br
∗

DEE-PUC-Rio
Rua Marquês de São Vicente, 225
22.451-900 Rio de Janeiro, RJ

ABSTRACT
Monitoring and Diagnosis of Multiple Sensors by AutoAssociative Neural Networks
Preventive maintenance of sensors assures their correct operation for a certain period of time, but do not guarantee
that they remain faultless for other periods, besides being occasionally unnecessary. In industrial plants the analysis of
signals from sensors that monitor a plant is a difficult task
due to the high-dimensionality of data. Therefore an on-line
strategy for monitoring and correcting multiple sensors is required. This work proposes the use of Auto-Associative Neural Networks with a Modified Robust Training and the Sequential Probability Ratio Test (SPRT) in an on-line monitoring system for self-correction and anomalies detection in the
measurements generated by a large number of sensors. Unlike existing models, the proposed system aims at using only
one AANN for each group of sensors to reconstruct signals
from faulty sensors. The model is evaluated with a database
containing measurements of industrial sensors that control
and carry out the monitoring of an internal combustion engine installed in a mining truck. The result shows the ability
of the proposed model to map and correct signals, with a low
error, from faulty sensors.

Artigo submetido em 17/11/2010 (Id.: 1223)
Revisado em 01/02/2011, 21/04/2011, 11/06/2011, 19/06/2011
Aceito sob recomendação do Editor Associado Prof. Jés de Jesus Fiais
Cerqueira

KEYWORDS: Auto-Associative Neural Networks, sensors,
maintenance, signal monitoring system.

RESUMO
Manutenções preventivas de sensores asseguram o seu funcionamento correto durante um certo período de tempo, mas
não garantem que eles permaneçam sem defeito por outros
períodos, além de eventualmente serem desnecessárias. Em
plantas industriais, a análise dos sinais fornecidos pelos sensores que monitoram os processos de produção é uma tarefa
difícil em virtude da grande dimensão dos dados. Portanto
uma estratégia de monitoramento e correção on-line para
múltiplos sensores é necessária. Este trabalho propõe a utilização de Redes Neurais Auto-Associativas com Treinamento
Robusto Modificado e do Teste Seqüencial da Razão de Probabilidade (SPRT) em um sistema de monitoramento para
auto-correção on-line e detecção de anomalias nas medidas
geradas por um grande número de sensores. Diferentemente
de modelos existentes, o sistema proposto visa a utilizar somente uma RNAAM para reconstruir os sinais dos sensores
com falha. O modelo é avaliado com uma base dados que
contém as medidas de sensores industriais que controlam e
realizam o monitoramento de um motor de combustão interna, instalado em um caminhão de mineração. Os resultados obtidos mostram a capacidade do modelo proposto de
mapear e corrigir, com um baixo nível de erro, os sinais dos
sensores que apresentam falhas.

Revista Controle & Automação/Vol.23 no.2/Março e Abril 2012

121

PALAVRAS-CHAVE: Redes neurais auto-associativas, sensores, manutenção, sistema de monitoramento de sinal.

1 INTRODUÇÃO
A automatização presente nas grandes empresas industriais
de áreas como petróleo, mineração, gás, papel e celulose,
água, etc. (Qiao et al., 2009; Eyng, 2008; Sanz et al., 2007;
de Miguel and Blázquez, 2005; Böhme et al., 1999) está intimamente ligada a uma constante busca pela otimização dos
processos de controle e monitoramento dos seus sistemas. A
seleção, distribuição, instalação e controle da instrumentação
são consideradas partes importantes e críticas na engenharia
da empresa. Os atuais protocolos de barramento de campo,
também chamadas redes industriais (Profibus, Modbus, Hart,
ASI), permitem uma melhor comunicação e interação dos
operadores e engenheiros com os equipamentos de campo,
resultando em medidas confiáveis e informações de possíveis falhas nos sistemas (Tian et al., 2000). Não obstante, é
comum que alguns sensores, às vezes os mais críticos, apresentem uma degradação não percebida pelo operador e levem
a uma parada indesejada da produção (Afonso et al., 1998).
Nas últimas décadas têm sido desenvolvidas tecnologias que
monitoram a condição dos processos industriais durante a
operação da planta (Monsef et al., 2007). Com isto, as indústrias procuram substituir a manutenção preventiva por estratégias baseadas nas condições atuais (condition-based maintenance), obtendo potencialmente um método on-line mais
eficiente. De especial interesse são as técnicas que controlam
o estado dos sensores e os circuitos de instrumentação associados. Estas técnicas são comumente referidas como métodos
de monitoramento on-line e são desenvolvidas para o monitoramento de sensores industriais e para a correção de medidas
de um único sensor (Wrest et al., 1996; Xu et al., 1998; Hines
et al., 2000).
Um problema comum enfrentado pelos projetistas de sistemas computacionais para acompanhar o desempenho de um
processo dinâmico, com o objetivo de assegurar a operação dentro de limites impostos, é a confiabilidade do sensor.
Como a saída dos sensores é a única fonte objetiva de informação para a tomada de decisão, é essencial que o estado
de funcionamento destes sensores seja conhecido. Sensores
inteligentes são capazes de enviar alertas para o controlador
quando acontecem falhas na conexão, quedas de tensão nos
terminais ou aumento da temperatura ambiente, mas não advertem sobre a ocorrência de uma degradação no seu estado
físico, que pode causar inexatidão na grandeza medida. Os
problemas de validação e substituição do sensor com falha
devem ser considerados como parte integrante de um projeto
moderno de monitoramento, de diagnóstico, ou de sistemas
de controle (Tian et al., 2000).

122


A manutenção manual de sensores é realizada periodicamente, de forma a validar o funcionamento correto do instrumento. No entanto, dependendo da freqüência da manutenção, sensores defeituosos podem permanecer despercebidos por períodos longos de tempo. Desrespeitar os programas de manutenção pode trazer efeitos desfavoráveis para
o processo, refletindo-se na qualidade do produto, causando
perdas econômicas e, em muitos casos, acidentes, devido a
um controle com sinais de realimentação imprecisos (Hines
and Garvey, 2007). Por outro lado, a a manutenção manual é
desnecessária em sensores que estejam funcionando corretamente, além de gerar um envelhecimento precoce dos componentes.
A Inteligência Computacional tem sido utilizada para desenvolver metodologias de detecção de falhas (Garcia-Alvarez
et al., 2009; Koćielny and Syfert, 2006; Theilliol et al.,
s
2002). Este método, em que um modelo computacional é
projetado para predizer a saída do sistema real, não é adequado para executar um diagnóstico de sensores, uma vez
que se baseia em dados de entrada (medições via sensores)
corretos e pressupõe que as entradas para o sistema real e
para o modelo estejam livres de falhas. Quando existe uma
diferença notável entre a saída do sistema real e a saída do
modelo, supõe-se que exista um problema no sistema real.
No monitoramento e diagnóstico de sensores o foco é diferente, isto é, o objetivo é encontrar sensores disfuncionais
(entradas do sistema) que provocam tais problemas (Najafi
et al., 2004).
Em sistemas tradicionais de monitoramento e diagnóstico de
falhas utiliza-se a chamada redundância por hardware, em
que mais de um sensor realiza uma mesma medida. Embora esta técnica seja ainda utilizada por apresentar resultados confiáveis (Theilliol et al., 2002), ela apresenta algumas
desvantagens, tais como o custo elevado de aquisição de um
maior número de sensores ou a disponibilidade de espaço
requerido para a instalação dos mesmos. Há também a chamada redundância por software, que faz uso da estimativa
dos sinais por meio de um modelo matemático. Esta metodologia tem a principal vantagem de não implicar em um
acréscimo de componentes ao sistema existente, reduzindo
os custos e minimizando o espaço de instalação.
Sistemas como estes, cujo grau de complexidade é maior,
têm sido pouco explorados no país. Os primeiros projetos
de monitoramento de instrumentos de campo surgiram nos
Estados Unidos em plantas de Energia Nuclear (Upadhyaya
and Eryurek, 1992; Fantoni et al., 2003). No Brasil, as pesquisas concentraram-se em desenvolver modelos para autocorreção e auto-validação, utilizando técnicas como Lógica
Fuzzy (Mendel, 1995) e Redes Neurais (Haykin, 1998), aplicadas ao monitoramento de um único sensor ou ao monitoramento da planta (Pereira et al., 2006; Bueno, 2006; Ga-

lotto et al., 2007; Oliveira et al., 2009; Reyes et al., 2010). A
utilização desses modelos em monitoramento on-line geraria
uma complexidade maior do que a desejável, já que seria necessário projetar um sistema abrangendo distintos modelos
para cada sensor em um mesmo processo. Uma metodologia
que possa abranger um grupo grande de sensores ainda se faz
necessária.

(Torres et al., 2004; Cuenca et al., 2004). Simplificadamente,
nesta metodologia, dados de entrada de um sistema são mapeados na saída por meio de uma função não linear G. A reconstrução do dados originais é efetuada por um “desmapeamento”, expresso por uma função H, também não linear. As
funções G e H são escolhidas de forma a se minimizar a perda
de informação no processo mapeamento-desmapeamento.

A motivação deste trabalho é desenvolver um modelo que
possa realizar monitoramento on-line e auto-correção de medidas de múltiplos sensores, com o objetivo de reduzir os
custos de manutenção e o risco de manter sensores defeituosos, aumentar a confiabilidade do instrumento e, consequentemente, reduzir o tempo de inatividade do equipamento. A
capacidade das Redes Neurais (Haykin, 1998) de mapear sistemas complexos não lineares com múltiplas variáveis, sem
necessariamente se conhecerem eventuais modelos matemáticos que descrevem seus comportamentos, é uma alternativa
para realizar a verificação e o processamento de sinais dos
instrumentos de medição.

Tendo em vista uma representação desse processo por meio
de uma rede neural, é importante recordar que redes neurais podem implementar uma vasta gama de funções nãolineares. Esta característica pode ser usada na construção
de uma rede para obtenção de componentes principais nãolineares (Torres et al., 2004). Na arquitetura em questão, fazse uso de duas redes neurais conectadas em série, responsáveis pela implementação do mapeamento, G, e do desmapeamento, H, dos sinais, conforme mostrado na Figura 1.
G

H
T

¢

/

£

¡

£

¡

¢

¡

/

¥

/
.
.
.

¡

.
.
.

¢

¤

¡

.
.
.

¤

¥

¡

O modelo proposto neste trabalho foi concebido a partir do
estudo das características desejadas para o sistema de autocorreção e diagnóstico de sensores que operam em um processo contínuo. Optou-se por utilizar a arquitetura de Redes
Neurais Auto-Associativas (Kramer, 1991), que permitem a
filtragem de ruídos nas medidas, a auto-correção do sinal
com falha quando o sensor apresenta um erro do tipo desvio
(drift fault) - definido como uma baixa taxa de variação do
valor esperado do sinal no tempo - e o tratamento de falhas
grosseiras (gross faults) - definidas como falhas drásticas no
sensor.

Camada de
Entrada

Camada de
Mapeamento

Camada de
Estrangulamento

Camada de
Desmapeamento

Camada de
Saída

Figura 1: Rede neural auto-associativa.

2 ARQUITETURA DE REDES NEURAIS
AUTO-ASSOCIATIVAS

As medidas dos sensores formam o vetor de entrada da rede,
X; em consequência, a dimensão m da camada de entrada
corresponde à dimensão do vetor de medidas. A camada de
saída produz o vetor de dados reconstruído, de mesma dimensão da camada de entrada. A primeira camada escondida
representa o mapeamento G e contém um número de neurônios maior do que número de entradas. A segunda camada
escondida representa a camada de estrangulamento (bottleneck) T, de dimensão inferior à da camada de entrada. A
terceira camada escondida representa a camada de desmapeamento H, de dimensão igual à da camada de mapeamento.
Observe-se que a camada escondida T é a projeção do vetor de entrada no espaço de características. Nesta rede, os
pesos são atualizados para cada amostra, de forma que, ao
final do processo, a distribuição dos pesos possa caracterizar a rede neural como uma matriz identidade. Em outras
palavras, busca-se otimizar a topologia da rede de forma a
reconstruir as m variáveis de entrada com o menor erro possível, utilizando-se para tal um conjunto reduzido de neurônios na camada de estrangulamento.

As redes neurais auto-associativas são inspiradas na metodologia NLPCA (nonlinear principal components analysis)

A camada de estrangulamento desempenha um papel chave
na funcionalidade da rede auto-associativa, pois força uma

Este artigo contém cinco seções adicionais. A seção 2
apresenta a arquitetura de Redes Neurais Auto-Associativas
(RNAA) proposta para a realização da auto-correção de medidas dos sensores, assim como a descrição do treinamento
robusto para RNAA. A seção 3 apresenta o modelo de monitoramento on-line de instrumentos, constituído por um módulo de auto-correção, baseado no treinamento modificado
da RNAA (RNAAM), e por num módulo de lógica de decisão, baseado no SPRT (Hines et al., 2000). A seção 4 apresenta o estudo de caso: sensores industriais de controle e
monitoramento de um motor de combustão interna utilizado
em um caminhão de mineração. Esta aplicação possui um
grande número de variáveis de entrada (medidas dos sensores), que permite avaliar o desempenho do modelo proposto.
Finalmente, a seção 5 conclui o trabalho.


123

¡
¦

¤

¤

¦

¤

¤
¢

MODELO DE
LÓGICA DE
DECISÃO

MODELO DE
AUTOCORREÇÃO

Estado dos
sensores

£

¥

¦

¤

¥

¤


¡

124

A Figura 2 mostra o diagrama de blocos do modelo de um
sistema de monitoramento on-line. O vetor de medidas dos
sensores X é a entrada para o modelo de auto-correção, que
calcula a melhor estimativa do vetor de entrada. O vetor estimado é comparado com o vetor de entrada, criando o vetor
de resíduos r, que será a entrada do modelo de lógica de decisão. Este determina se o resíduo é estatisticamente diferente
de zero e se está dentro da faixa de tolerância; sua saída é
uma indicação do estado de cada sensor.

¢

A rede treinada desta forma consegue corrigir as medidas dos
sensores quando somente um deles apresenta falhas; caso
existam mais sensores defeituosos, ela não conseguirá corrigir os erros de forma adequada. Abordagens que procuram superar esta deficiência (Najafi et al., 2004; Singh, 2004;
Marseguerra and Zoia, 2006; Antory et al., 2008) fazem uso
de estruturas mais complexas ou de alto custo computacional, inviáveis para procedimentos on-line. O modelo proposto neste trabalho emprega somente uma rede neural para

A seleção dos sensores que serão incluídos como entrada é
de grande importância em modelo não redundantes. Modelos
construídos com grupos de sensores cujas medidas apresentam correlações altas geram menor erro de predição quando
comparados com os modelos que apresentam uma baixa correlação nos vetores de entrada (Hines et al., 2000; Najafi
et al., 2004; Kramer, 1991).

Considerando uma variável de entrada X = [x1 , x2 , . . . , xn ]
com n amostras, a uma amostra j é agregado um ruído
aleatório δ, de maneira a formar a nova entrada X∗ =
[x1 , x2 , . . . , xj+δ , xj+1 , . . . , xn ]; a RNAA é forçada a fornecer como saída os dados originais de X. Este procedimento
é repetido várias vezes para as m entradas da rede neural, de
forma que todas as amostras do conjunto de treinamento sejam corrompidas em diversas ocasiões. Assim, o algoritmo
de aprendizagem visa a sintonizar a rede para que as suas
respostas estejam próximas dos valores desejados quando os
sinais de entrada apresentam ruído ou erros súbitos.

Os modelos de monitoramento podem ser divididos em duas
grandes categorias: redundantes e não redundantes. Na modelagem redundante, um conjunto de sensores verifica o funcionamento de um mesmo processo. A média das leituras
dos vários sensores pode ser utilizada, por exemplo, para se
obter o resultado. Em contraste, as técnicas de modelagem
não redundantes se baseiam na estimação das medidas de instrumentos correlacionados (Hines and Garvey, 2007).

¡

O treinamento robusto (Kramer, 1992) é uma importante ferramenta para a solução de problemas com erros súbitos (desvio e offset) e ruído nas medidas. Fornece-se à rede neural um conjunto de dados em que alguns padrões, selecionados de forma aleatória, são corrompidos, forçando-se a
rede a obter os resultados corretos (sem perturbações). Os
padrões a serem corrompidos são escolhidos com distribuição de probabilidade uniforme do conjunto de treinamento e
cada corrupção consiste em variar uma entrada selecionada
aleatoriamente dentre as amostras, enquanto todas as outras
entradas mantêm os seus valores corretos (Marseguerra and
Zoia, 2005b).

3 MODELO DE MONITORAMENTO

2.1 Treinamento Robusto

reconstruir os sinais dos sensores com falha, sem o auxílio de
algoritmos adicionais ou de outra rede, simplificando, assim,
o treinamento.

¢

codificação e compressão das entradas, com uma posterior decodificação ou descompressão. Eventuais correlações
ocultas existentes nos dados serão capturadas pela camada de
estrangulamento e os efeitos de não correlação – produzidos,
por exemplo, por ruído nos sinais – serão excluídos nesta
camada (Kramer, 1991). Se a rede é treinada com dados adequados, a saída para um novo dado da mesma distribuição do
conjunto de treinamento estará o mais próximo possível do
estado livre de ruído. Não existe um método para decidir o
número de neurônios das camadas escondidas da RNAA. No
caso das camadas de mapeamento e desmapeamento, devese adotar uma dimensão suficientemente grande para garantir que a rede consiga recuperar os sinais de entrada, sem
risco de over-fitting. A validação cruzada também pode ser
usada para selecionar o número apropriado de neurônios nestas camadas (Marseguerra and Zoia, 2005a; Marseguerra and
Zoia, 2005b; Kramer, 1992).

Figura 2: Modelo de Monitoramento on-line.

O modelo proposto neste trabalho visa a calcular os parâmetros estimados dos sensores empregando os dados históricos
de um conjunto de sensores correlacionados.

3.1 Modelo de Auto-Correção
O objetivo do modelo é corrigir as medidas de um conjunto
de instrumentos quando estes apresentam alguma degradação no seu estado, devido a uma instalação inadequada, ao
envelhecimento do sensor ou a uma deformação do sensor
originada por uma exposição em ambientes inadequados.

O modelo de auto-correção tem como elemento principal a
Rede Neural Auto-Associativa (RNAA), que realiza a reconstrução dos sinais. Conforme mencionado na seção 2,
a RNAA atua como uma matriz identidade quando os sensores não apresentam falha, e como uma função não linear que
reconstrói os sinais quando estes apresentem alguma degradação. Assim, o modelo desenvolvido neste trabalho é considerado do tipo não redundante, pois utiliza os dados históricos do funcionamento dos sensores e cobre toda a gama de
funcionamento do processo.
O desenvolvimento do modelo de auto-correção compreende
os seguintes passos.
Passo 1 - Correlação dos sensores
Nesta primeira etapa, analisa-se a correlação das medidas
dos sensores. O grau de correlação entre as variáveis é um
aspecto significativo para que uma RNAA trabalhe como
um sistema de monitoramento (Wrest et al., 1996; Kramer, 1991). Em situações de correlação alta, desvios, offset
ou ruídos em um dos sensores não afetam significativamente
a resposta da RNAA, pois a saída está relacionada com todas
as entradas através de um grande número de pesos e padrões.
O grau de coerência entre parâmetros i e j é determinado
onde C
pela função de correlação S(i, j) = √ C(i,j)
C(i,i)C(j,j)

representa a matriz de covariância. Valores próximos a ±1
representam alta correlação na faixa de trabalho dos sensores.
Neste estudo, verificou-se que, apesar de os sensores realizarem o monitoramento de uma mesma planta, nem sempre
todos apresentaram correlações altas. Assim, quando a quantidade de sensores é grande e as correlações não são uniformes, propõe-se realizar uma divisão do conjunto de sensores
e criar grupos que apresentem correlações similares, com a
finalidade de obter uma melhor aproximação dos sinais.

and Garvey, 2007); embora o número de neurônios nas camadas de mapeamento e desmapeamento afete o desempenho da rede, alterações nos neurônios na camada de estrangulamento terão efeito mais significativo na qualidade da resposta. Para encontrar o número de neurônios nesta camada,
treinam-se e testam-se distintas topologias com a finalidade
de colher informações para avaliar o número de neurônios
que forneça à RNAA a capacidade de corrigir as medidas de
um sensor. A RNAA deve ser treinada como uma base de dados que apresente perturbações, conforme explicado na seção
2.1. O número de neurônios nas camadas de mapeamento e
desmapeamento é então escolhido com a finalidade de se obter a resposta desejada livre de ruídos (um número maior de
neurônios proporciona, em geral, uma filtragem superior). A
rede terá, então, a capacidade de reconstruir os sinais de um
sensor com o auxílio da correlação existente com os outros
sensores.
Ao contrário de estudos anteriores, neste trabalho foi avaliada a resposta fornecida pela rede para cada sinal reconstruído. O treinamento da rede é realizado com base na média
dos erros quadráticos (MSE). A decisão sobre o melhor modelo é efetuada via validação cruzada (Haykin, 1998), com
base no valor médio do erro percentual (MAPE). Na fase de
testes, é também utilizada, para avaliação do desempenho, a
raiz quadrada do erro médio quadrático (RMSE). As expressões para estas métricas são as seguintes:

M SE
RM SE

=

M AP E

=

N
i=1

=

(xi − xi )
ˆ
N

N
i=1

1
N

N

i=1

2

(xi − xi )
ˆ
N

2

xi − x i
ˆ
× 100%
xi

(1)

Passo 2 - Pré-processamento de dados
Efetuada a identificação dos subgrupos de sensores, um tratamento da base de dados deve ser realizado: retiram-se dados inconsistentes ou incompletos antes do treinamento da
RNAA. Em seguida, realiza-se uma normalização dos dados. No caso deste trabalho, em que a função de ativação
dos neurônios nas camadas escondidas é do tipo tansig (tangente sigmóide), as medidas foram mapeadas em uma faixa
de [-1, 1] para simplificar o treinamento.
Passo 3 - Estimativa de neurônios
A complexidade da RNAA é definida pelo número de neurônios na camada de estrangulamento (Kramer, 1991; Hines

Passo 4
(RNAAM)

-

Treinamento

Robusto

Modificado

Neste passo, almeja-se fornecer à rede a capacidade de reconstrução de sinais que apresentam erros súbitos ao mesmo
tempo. O treinamento robusto proposto por Kramer é capaz de reconstruir os sinais dos sensores que apresentam falhas, desde que estes não sejam simultâneas, utilizando uma
ou mais redes neurais auto-associativas (Marseguerra and
Zoia, 2005b; Hines et al., 2000; Simani et al., 2000; Böhme
et al., 1999). A RNAA robusta consegue realizar a reconstrução dos sinais dos sensores quando um único sensor do grupo
apresenta falha, mas, no momento de reconstruir o sinal com
falha, observam-se desvios nas saídas correspondentes aos
sensores que não apresentaram falhas.

125

Ln

=
=

prob. de observacao {Xn } dado H1 verdadeira
prob. de observacao {Xn } dado H0 verdadeira
p ({Xn }|H1 )
(3)
p ({Xn }|H0 )

onde Xn é uma seqüência de n observações consecutivas de
X.
A razão de verossimilhança é, então, comparada com o limite
inferior A e o limite superior B, (cf. equação (4)) definidos
pela probabilidade de alarme falso (α) e probabilidade de ausência de alarme (β):

A
B

3.2 Modelo de Lógica de Decisão

No SPRT, considera-se que o resíduo obtido apresenta uma
distribuição de probabilidade normal com média (µ) zero e
variância (σ 2 ) igual às pequenas variações características de
um sinal de campo produto de um ruído atenuado. A função
de distribuição de probabilidade do resíduo é do tipo:

p(x|H0 ) = √

1
2πσ 2

exp −

(x − µ)
2σ 2

2

(2)

O SPRT é usado para decidir entre duas hipóteses, H0 e
H1 . H1 corresponde às regiões de taxa decrescente da falha (TDF) ou à taxa de aumento da falha (TAF), e H0 denota
uma região de taxa de modo normal (TMN). Isto permite a
detecção quando o resíduo ultrapassa a região TMN, tanto
para a região TDF como para a região TAF.
Para calcular o SPRT, é necessário primeiramente computar
a razão de verossimilhança, representada pela equação (3).
126


=

β
1−α
1−β
α

(4)

Se a razão de verossimilhança for menor do que A, ela pertence à região TNM do sistema; se for maior do que B, pertence à região degradada do sistema (TDF ou TAF), e uma
falha é registrada (cf. Figura 3).
Condição de
contorno B

Limiar
violado

Tem-se como objetivo detectar falha em sensores o mais rapidamente possível, com uma probabilidade pequena de tomar uma decisão errada. O modelo usado neste trabalho para
atingir tal objetivo faz uso do teste de probabilidade de relação seqüencial (SPRT). Esta metodologia detecta a região de
operação do sensor com base nos tempos de falha. O algoritmo usa o resíduo como entrada para avaliar o estado do
sensor. Ao contrário de testes com comprimento fixos de
tempo que calculam uma nova média e variância em cada
época de amostragem, o algoritmo monitora continuamente
o desempenho do sensor através do processamento do resíduo. Devido à sua natureza seqüencial, necessita de um número mínimo de amostras para calcular o erro de tolerância
nos procedimentos de detecção.

=

¡

Com o objetivo de melhorar a resposta da RNAA no caso de
múltiplas falhas e de desenvolver uma metodologia passível
de ser empregada em sistemas reais, propõe-se, neste trabalho, uma modificação do treinamento robusto. Considere-se
um conjunto de treinamento X = [X1×n , X2×n , . . . Xm×n ],
onde Xi×n representa o vetor de n amostras do sensor i.
Inserindo-se ruído apenas nas medidas de um sensor i, por
exemplo, observa-se, na saída da rede neural, como se dá a
reconstrução dos sinais de todos os sensores. Supondo que as
medidas de outros dois sensores (i + 2 e i + 4, por exemplo)
não tenham sido reconstruídas satisfatoriamente, inserem-se,
na entrada da rede, em uma etapa seguinte, ruídos aleatórios
nos sinais destes dois sensores. Repete-se este procedimento
para outros dois sensores, até que os dados de todos eles,
sempre dois a dois, tenham sido apresentados de forma corrompida à rede. A rede com tal treinamento recebe o nome
de RNAAM (Rede Neural Auto-Associativa Modificada).

0

Condição de
contorno A
Condição de
contorno B

Figura 3: Comportamento do resíduo frente ao SPRT.

4 ESTUDO DE CASO
O estudo de caso foi escolhido com o objetivo de mostrar
que a RNAAM realiza uma reconstrução on-line dos sinais
dos sensores quando estes apresentam desvio, offset e 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 estados de sensores ao longo do tempo.
O modelo foi avaliado com uma base dados de medidas 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 primeira etapa do trabalho foi confirmar que os sensores
estavam previamente calibrados, de forma a se realizarem,
então, simulações de falhas. A base de dados fornecida apresenta valores filtrados previamente na etapa de aquisição de
sinal no ECM (Engine Control Module). Portanto, as medidas dos sensores que apresentam variações abruptas são consideradas parte da operação do motor e não ruídos externos.
Das 40 variáveis de medidas fornecidas, foram selecionadas
32, correspondentes às medidas de distintos sensores de pressão e temperatura instalados exteriormente ao motor. Foram
desconsideradas as variáveis produto de cálculos feitos no
ECM, medições do tipo PWM (Pulse Width Modulation) e
sensores com saída do tipo ON-OFF.
Os dados representam medidas relativas ao translado de produtos pelo caminhão. O sistema 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, os sinais produzidos pelos sensores não são ideais, ou seja, apresentam variações resultantes do esforço do motor durante o
translado de material.
Das 2000 amostras, utilizaram-se 800 para a etapa de treinamento, 200 para validação, e 1000 para a etapa de teste.
De forma a evitar o super-treinamento (overfitting), foi utilizada a técnica de parada antecipada ou prematura (earlystopping) para o treinamento de todas as redes neurais testadas.
Com base na metodologia descrita na seção 3, analisaram-se
as medidas para identificar grupos de sensores com correlações similares. Os sensores foram divididos em três grupos, associando-se a cada um deles uma RNAAM. A Figura 4 apresenta um diagrama de blocos do modelo de autocorreção previsto. Detalham-se, a seguir os testes efetuados
com cada um dos grupos.

4.1 Teste com
Correção

o

Modelo

de

Auto-

Figura 4: Modelo de Auto-Correção.
Tabela 1: Sensores de Temperatura nos Cilindros - Gr. 1.

Sensores do Grupo 1
T. de escape cilindro 1 LB T. de escape cilindro 5 LB
T. de escape cilindro 1 RB T. de escape cilindro 5 RB

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 sinais - frente às medidas
com ruído. A Figura 5 resume os resultados alcançados,
na fase de treinamento, 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).
0.8
M=18
M=19
M=20
M=21
M=22

0.7

Grupo 1

0.6
0.5
MAPE

Os sensores selecionados para formar este grupo, apresentados na Tabela 1, medem a temperatura na câmara de combustão interna dos oito cilindros do motor e apresentaram um
grau de correlação acima de 0,87.

0.4
0.3
0.2

Na elaboração de um algoritmo para buscar o menor número de neurônios na camada de estrangulamento, testaramse distintas topologias para a RNAAM, variando-se o número de neurônios nas camadas escondidas e inserindo-se
ruído nas medidas. Com base nos erros obtidos na etapa

0.1
0

0

2

4

6

8

10

12

14

ESTRANGULAMENTO
Bottleneck

Figura 5: Erro (MAPE) em função do número de neurônios
na camada de estrangulamento.


127

Observa-se que, independentemente do número de neurônios
nas camadas de mapeamento e desmapeamento, a rede gera
menor erro na predição quando o número de neurônios na
camada de estrangulamento atinge um valor próximo do 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 da rede é elevado. Escolher o menor número de neurônios nesta camada que possa
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 seis neurônios, o erro de predição permanece praticamente o mesmo,
ou seja, a variação é insignificante. Desta forma, foram escolhidos 6 neurônios para esta camada.
O passo seguinte foi treinar a RNAAM para reconstrução de
medidas quando estas apresentam ruídos, desvios ou offset
nos vetores de entrada. Para tal, foi usado o treinamento
robusto modificado (seção 3.1) com ruído aleatório de 10%
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 treinamento, a topologia obtida apresentou 18 neurônios na camada de mapeamento/desmapeamento. A Tabela 2
mostra os resultados obtidos com a topologia 16-18-6-18-16.
Observa-se que o MAPE é menor do que 1% para todos os
sensores, atingindo-se, assim, o objetivo proposto.
A rede foi testada quanto à reconstrução de sinais frente a
erros súbitos. Foram apresentados vetores de entrada com
um desvio de 0,7% por minuto (5◦ F) durante 500 minutos (ao
final do processo, o desvio é de 100◦ F). A Figura 6 apresenta
o resultado da RNAAM1 frente ao desvio do sensor 1 e o
comportamento para o sensor 2 do mesmo grupo; a Tabela 3
apresenta os resultados para os 16 sensores.
Os resultados mostram que o sensor 1 (Temperatura de escape cilindro 1LB) apresenta um aumento do MAPE de
0,03% para aproximadamente 0,6%, abaixo do limite do erro
estabelecido para o conjunto de sensores (2%). Além disso,
a média da diferença existente entre a resposta da RNAAM1 ,
para os 15 sensores restantes, quando as medidas 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.
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, foram apresentados à RNAAM1 (com desvio
idêntico ao anterior). A Tabela 4 resume os resultados para

128


Tabela 2: Resultados sem perturbações.

Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

16-18-6-18-16
MSE (e-3) MAPE (%)
0,1500
0,0392
0,1030
0,1666
0,2010
0,2244
0,1100
0,1522
0,1400
0,1826
0,0200
0,0518
0,1920
0,1936
0,1700
0,2023
0,3400
0,3184
0,2010
0,2378
0,2180
0,2426
0,1520
0,2030
0,2800
0,2512
0,1890
0,2463
0,2660
0,2495
0,1950
0,2416

RMSE
0,7618
2,5842
3,0304
2,2418
2,6020
1,0336
2,6275
2,8081
4,3957
3,3871
3,6817
2,9606
3,6144
3,6886
3,4549
3,4527

Tabela 3: Desvio de 0,7% por minuto no sensor 1.

Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

16-18-6-18-16
MSE (e-3) MAPE (%)
0,0017
0,6233
0,0002
0,2131
0,0002
0,2208
0,0001
0,153
0,0003
0,2775
0
0,0466
0,0002
0,1864
0,0002
0,2093
0,0003
0,3172
0,0005
0,3882
0,0002
0,2481
0,0004
0,337
0,0002
0,2357
0,0002
0,2335
0,0005
0,3425
0,0002
0,2586

RMSE
8,0308
3,2284
3,0248
2,2289
3,7958
0,8067
2,5327
2,8926
4,315
5,3334
3,7299
4,5454
3,3597
3,4417
4,5410
3,8134

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. A Figura 7 apresenta a resposta
da RNAAM1 para os sensores 1 e 2 frente aos desvios nos
sensores 1, 5 e 11. Pode-se perceber que a RNAAM1 consegue efetuar a auto-correção das medidas dos sensores que
apresentaram desvios com um valor de MAPE inferior a 1%.
Contrastando-se os valores das Tabelas 3 e 4, observa-se que
a máxima diferença entre os dois casos é apresentada pelo
sensor 5 - aumento do MAPE de 0,277% para 0,729%.
Finalmente, testou-se a RNAAM1 com ruído aleatório de
20% da faixa de medição, que pode ser considerado como
causado por um evento externo que interfere no hardware
do sensor. Como exemplo, foi inserido nos sinais do sensor
1 (Temperatura de escape Cilindro 1LB) um ruído aleatório
gaussiano com média 0 e desvio padrão equivalente a 40◦ F.
A Figura 8 mostra que a RNAAM1 consegue filtrar o ruído
satisfatoriamente.
Tabela 4: Desvio em 100 unidades dos sensores 1, 5 e 11.

Grupo I
Sensor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

16-18-6-18-16
MSE (e-3) MAPE (%)
0,0019
0,6550
0,0002
0,2550
0,0002
0,2366
0,0004
0,2622
0,0021
0,7299
0
0,0880
0,0006
0,3436
0,0003
0,2727
0,0005
0,3862
0,0008
0,4989
0,0003
0,2991
0,0006
0,4446
0,0003
0,2389
0,0004
0,4016
0,001
0,5091
0,0006
0,4262

RMSE
6,4436
3,7725
3,2450
4,0100
7,9174
1,4911
4,4874
3,7162
5,2263
6,6872
4,5121
6,0273
3,6136
5,6880
6,5595
6,1295

Grupo 2
Os sensores do Grupo 2 (Tabela 5) apresentaram um grau de
correlação de aproximadamente 0,6.
Seguindo a metodologia proposta na seção 3, foram testadas,
primeiramente, distintas topologias para se obter o melhor

Tabela 5: Sensores de Temperatura e Pressão - Grupo 2.

N◦
1
2
3
4
5
6
7

Sensores Grupo 2
P. do ar na saída do turbo de alta esquerdo
P. do ar na saída do turbo de alta direito
Temperatura do ar no aftercooler de frente
esquerdo
Temperatura do ar no aftercooler posterior
esquerdo
Temperatura do ar no aftercooler de frente direito
Temperatura do ar no aftercooler posterior direito
Pressão do refrigerante motor

número de neurônios na camada de estrangulamento, sempre
com o objetivo de filtragem do ruído e de auto- correção das
medidas de um sensor com falha. Foram considerados de 9
a 16 neurônios para as camadas de mapeamento e desmapeamento, e de 1 a 6 neurônios na camada de estrangulamento.
Recorde-se que o número de neurônios nesta camada 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. 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 aprendizado, a topologia obtida apresentou 15 neurônios na camada de mapeamento e
desmapeamento e 3 neurônios na camada bottleneck. A Tabela 6 mostra os resultados obtidos na topologia 7-15-3-15-7
da RNAAM2 para os 7 sensores. Conforme se observa, o
erro MAPE é menor do que 1% para todos os sensores.
Tabela 6: Resposta da RNAA do Grupo 2.

Grupo II
Sensor
1
2
3
4
5
6
7

MSE
0,0060
0,0056
0,0019
0,0077
0,0037
0,0033
0,0087

7-15-3-15-7
MAPE (%)
0,5881
0,5901
0,4154
0,3233
0,6845
0,4406
0,5917

RMSE
0,3075
0,2907
0,8958
0,6789
1,4887
0,8563
0,3823

O passo seguinte foi testar a capacidade da rede de reconstruir os sinais frente a um sensor com falha. Para tal, foram

129

Temperatura de escape cilindro 1LB
1000

ºF

900

Sem Defeito
Calibrado
800

RNAA M

700

Descalibrado
Defeituoso
300

320

340

360

380
400
Tempo (min)

420

440

460

480

Temperatura de escape cilindro 1RB

ºF

1200
1100
1000

Sem Defeito
Calibrado
900

RNAA M
320

340

360

380

400
Tempo (min)

420

440

460

480

Figura 6: Resposta dos sensores 1 e 2 frente ao desvio total de 100◦ F no sensor 1 (Temperatura de escape cilindro 1LB).
Sem Defeito


ºF

1200

1000

Sem Defeito
Calibrado

RNAAM
Defeituoso
Descalibrado

800
50

100

150

200

250
Tempo (min)

300

350

400

450

Temperatura de escape cilindro 6RB
1200

ºF

1100
1000
900

Calibrado
Sem Defeito
RNAAM
Descalibrado

800
50

100

150

200

250
Tempo (min)

300

350

400

450

Figura 7: Resposta dos sensores frente ao desvio lento de 0,7% por minuto nos sensores 1,5 e 11.

apresentados à rede erros do tipo offset nos sinais dos sensores. A Figura 9 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 7 resume os resultados.
Finalmente, a RNAAM2 foi testada para múltiplas falhas do
tipo offset. As medidas dos sensores 2, 4, 5, 6 e 7 (escolhidos aleatoriamente) foram corrompidas com um offset de 4
unidades ao mesmo tempo. A Tabela 8 resume os resultados
obtidos. 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 aquele isento de perturbações nos
130


sinais sensores apresenta um aumento de 0,51% para 0,85%
(MAPE). Portanto, os erros estão dentro do limite estabelecido para o conjunto de sensores analisado.
Grupo 3
Os sensores deste grupo, apresentados na Tabela 9, têm correlações com média de 0,33; como existem sensores com correlações 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. 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 e, em
consequência, o número de treinamentos.

Temperatura de escape cilindro 1 LB
1200

Sem defeito
Calibrado
Defeituoso
Descalibrado
RNAA

1100

ºF

1000

900

800

700

600

260

270

280

290

300

Time(min)
Tempo

310

320

330

340

350

Figura 8: Resposta da RNAA1 frente ao ruído no sensor 1.
Pressão da saída do turbo de alta esquerdo
38

Objetivo
RNAAM

psi

36
34
32
30
28
210

220

230

240

250

260
270
280
Tempo(min)
Pressão da saída do turbo de alta direito

290

36

310

Objetivo
Offset
RNAAM

34
psi

300

32
30
28
26
120

140

160
Tempo(min)

180

200

220

Figura 9: Respostas dos sensores 1 e 2 da RNAAM2 com falha no Sensor 2 (Offset = 4 psi).

A RNAAM3 apresenta uma topologia 9-15-7-15-9 e a Tabela 10, a seguir, resume os resultados alcançados. Ressaltese que, devido à baixa correlação nas medidas 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.

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 10 apresenta as respostas
do sensores 1 frente à falha, e a Tabela 11 resume os resultados. A resposta é satisfatória por apresentar um erro MAPE
menor do que 0,02%; o erro é corrigido sem alterar os demais
sinais.

131

Tabela 7: Resposta da RNAAM2 a Falha do Sensor 2 (Offset
= 4 unidades).

Grupo II
Sensor
1
2
3
4
5
6
7

MSE
0,0077
0,0035
0,0084
0,0127
0,0036
0,0058
0,0048

7-15-3-15-7
MAPE (%)
0,924
0,6020
0,8603
0,3595
0,5663
0,4390
0,4726

RMSE
0,4278
0,2840
1,6134
0,7217
1,2685
0,9110
0,2361

Tabela 8: Resposta da RNAAM2 para falhas nos sensores 2,
4, 5, 6 e 7 (Offset = 4 unidades).

Grupo II
Sensor
1
2
3
4
5
6
7

MSE
0,0089
0,005
0,0015
0,0100
0,0044
0,0065
0,004

7-15-3-15-7
MAPE (%)
1,7353
1,2726
0,3847
0,4628
0,8208
0,6704
0,6408

RMSE
0,7615
0,5651
0,8300
0,8500
1,6940
1,2708
0,2405

Tabela 10: Resultados da RNAAM3 .

Grupo III
Sensor
1
2
3
4
5
6
7
8
9

9-15-7-15-9
MSE (e-6) MAPE (%)
0,2190
0,0165
0,2078
0,0745
0,1389
0,2133
0,1234
0,2492
0,2568
0,0748
0,0506
0,0425
0,3123
0,0378
0,2808
0,4182
0,1456
0,0343

RMSE
0,0329
0,0068
0,1666
0,1816
0,0046
0,0937
0,0840
0,2338
0,0560

Tabela 11: Resposta da RNAAM3 para falha no sensor 1.

Grupo III
Sensor
1
2
3
4
5
6
7
8
9

MSE
0,0000
0,0000
0,0001
0,0002
0,0000
0,0000
0,0000
0,0003
0,0000

9-15-7-15-9
MAPE (%)
0,0122
0,0578
0,1696
0,2210
0,0537
0,0582
0,0285
0,2501
0,0707

RMSE
0,0357
0,0055
0,1647
0,2087
0,0039
0,1489
0,0699
0,2011
0,1410

Tabela 9: Sensores de Temperatura e Pressão - Grupo 2.

N◦
1
2
3
4
5
6
7
8
9

Sensores Grupo 3
Pressão no combustível ferroviário
Temperatura do óleo
Pressão do óleo na entrada do filtro
Pressão do óleo na saída do filtro
P. diferencial devido aos filtros de óleo
Pressão de gases no cárter
Temperatura do refrigerante motor
Temperatura da entrada de ar do compressor
Temperatura do ECM do motor

A rede foi testada, a seguir, para um desvio lento de 0,125%
(0,2◦ F) por minuto na medida do sensor 9 a partir do instante
de tempo 500 (ao final do processo, o desvio é de 10◦ F).
A Figura 11(a) apresenta os resultados deste desvio e a Fi132


gura 11(b) mostra uma visão ampliada deste teste. Na Tabela 12 são resumidos os resultados para os 9 sensores da
RNAAM3 .
Finalmente, a RNAAM3 foi testada para múltiplas falhas: as
medidas de vários sensores foram corrompidas com um offset
de 5 unidades ao mesmo tempo. A Figura 12 apresenta as
respostas da RNAAM3 para falhas simultâneas nos sensores
1, 3, 7 e 9, e na Tabela 13 são resumidos os resultados para
estas falhas.
Comparando-se os resultados dos 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%.
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

165
160

psi

155
150
145
Calibrado
Sem Defeito
Defeituoso
Descalibrado

140
135
130

RNAA
0

20

40

60

80

Tempo
Time(min)

100

120

Figura 10: Respostas da RNAA2 frente a uma falha no sensor 1 (Offset = 4 psi).

Temperatura do ECM
160

Tabela 12: Resposta da RNAA3 para o desvio no sensor 9.

Calibrado
Sem defeito
Descalibrado
Defeituoso

150

RNAA
140

MSE
0
0
0,0001
0,0001
0
0
0
0
0,0018

9-15-7-15-9
MAPE (%)
0,0119
0,0408
0,2010
0,2364
0,0338
0,0382
0,0202
0,1382
0,9291

130

RMSE
0,0223
0,0040
0,1591
0,1780
0,0020
0,0910
0,0452
0,0884
1,5752

120

ºF

Grupo III
Sensor
1
2
3
4
5
6
7
8
9

110
100
90
80
70
60
500

550

600

650

700

750

800

850

900

950

1000

Tempo
Time(min)

(a)
Temperatura do ECM
160
Calibrado
Sem defeito
Descalibrado
Defeituoso
RNAA

150
140
130
120
110
100
90
80

Tabela 13: Resposta da RNAAM3 a falhas nos sensores 1, 3,
7 e 9 (offset = 5 unidades).

Grupo III
Sensor
1
2
3
4
5
6
7
8
9

MSE
0,0063
0,0058
0,1267
0,2235
0,0160
0,0188
0,0217
0,2588
0,0165

9-15-7-15-9
MAPE (%)
0,0118
0,0520
0,1596
0,2087
0,0504
0,0553
0,0277
0,2309
0,0650

RMSE
0,0357
0,0055
0,1647
0,2087
0,0039
0,1489
0,0699
0,2011
0,141

as três redes apresentaram excelente capacidade de generalização. Quando treinadas com perturbações em medidas de
apenas dois sensores, por exemplo, foram capazes de recons-

730

740

750

760

770

780

790

800

810

Tempo
Time(min)

(b)

Figura 11: Respostas da RNAAM3 frente a uma falha de desvio no sensor 9 (Desvio Final = 10◦ F).

truir, na fase de testes, os sinais de todos os sensores, com
erro mínimo.

4.2 Resultados do Modelo de Lógica de
Decisão (MLD)
De acordo com a seção 3.2, quando um sensor está operando
corretamente, o resíduo deve ter uma média aproximada de
zero e uma variância comparável à dos resíduos para os dados de treinamento. Se houver um desvio nos sinais 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 norRevista Controle & Automação/Vol.23 no.2/Março e Abril 2012

133


Pressão Pré Filtro de óleo
100

160

95

155

90

150

85
psi

psi

165

145

80

140

130

75

Objetivo
RNAA
Offset

135
0

20

40

60
Tempo(min)

80

100

Objetivo
RNAA
Offset

70
65

120

0

20

40

Temperatura de refrigerante do motor

60
Tempo (min)

80

100

120

Temperatura do ECM

190

150
140

180

130

ºF

ºF

120
170

110
100

Objetivo
RNAA
Offset

160

150

0

20

40

60
Tempo (min)

80

100

Objetivo
RNAA
Offset

90
80
120

70

0

20

40

60
Tempo (min)

80

100

120

Figura 12: Resposta da RNAAM3 a falhas nos sensores 1, 3, 7 e 9 (offset = 5 unidades).

mal (sem falha); o sensor é, então, classificado como com
falha. A probabilidade de falso e 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 and Garvey, 2007).
Para testar a metodologia, foram consideradas perturbações
nas medidas dos Grupos 1 e 3. Os resíduos entre as respostas
geradas pelo modelo de auto-correção e as entradas foram
inseridos no MLD. No primeiro teste considerou-se um erro
do tipo offset de 2◦ F na medida do sensor 9/Grupo 3 (Temperatura do ECM), no minuto 500. A probabilidade de falso
alarme foi fixada em 0,01 (ou 1%), e a de ausência de alarme,
em 0,1 (ou 10%). Na Figura 13, 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
à direita mostra a resposta do MLD. Como pode ser observado, o modelo detecta corretamente a falha. O MLD foi
testado, também, para um desvio de 0,2◦ F por minuto no
Sensor 1/Grupo 1 (Temperatura de escape no cilindro 1LB) a
partir do instante 500. A probabilidade de falso alarme neste
sensor, que apresenta uma faixa de medição distinta da do
primeiro caso, foi fixada em 0,05, e a de ausência de alarme,
em 0,01. A Figura 14 mostra o desvio no sinal de medição
e a resposta da RNAAM1 , o resíduo nos sinais e a saída do
MLD. Como se observa, o modelo responde corretamente no
momento em que o desvio ocorre.

5 CONCLUSÕES
Este artigo apresentou em detalhes a proposta de um modelo
de monitoramento on-line para sensores industriais baseado
134


no uso de redes neurais auto-associativas. O modelo propõe o
agrupamento de sensores com graus de correlação similares
em diferentes grupos e atribui a cada um destes uma rede, que
efetua a auto-correção das medidas de sensores com falhas.
Com o treinamento modificado proposto neste artigo, o modelo generaliza e reconstrói sinais quando o sistema de monitoramento detecta falhas simultâneas em distintos sensores
de um mesmo grupo. Na avaliação, utilizaram-se medidas de
três grupos de sensores instalados num motor real. As três
RNAAMs mostraram-se capazes de realizar auto-correções
com erros MAPE inferiores a 2%, mesmo quando a medida
do sensor apresentava erros de até 100 unidades.
Ressalte-se que o treinamento das redes neurais envolve um
alto custo computacional. No entanto, depois de treinadas, as
RNAAMs podem ser utilizadas on-line na correção de falhas
de medidas de sensores, com um baixo nível de erro.
O Modelo de Lógica de Decisão, baseado na estatística
SPRT, alerta o especialista quando os sensores apresentam
falhas e devem ser considerados para manutenção. Nos testes, os modelos responderam satisfatoriamente a simulações
de falha do tipo offset, ruído e desvio. Finalmente, é possível
afirmar que o modelo gera prioridades na manutenção dos
sensores e, assim, reduz os custos associados.

REFERÊNCIAS
Afonso, P., Ferreira, J. and Castro, J. (1998). Sensor fault
detection and identification in a pilot plant under process control, Chemical Engineering Research and Design 76(4): 490–498.

Temperatura do ECM
150
ºF

140
130
100

200

300

400

500

600

700

800

900

SPRT

Resíduo
3
1
2
0.5

1
0

0
0

200

400
600
Tempo (min)

800

1000

0

200

400
600
Tempo (min)

800

1000

Figura 13: Resposta do MLD frente ao erro no sensor 9/Grupo 3 (offset = 2◦ F).
1200

ºF

1000
800
600

0

100

200

300

400

500

600

700

Residuo

800
SPRT

900

1000

200
1
0

-200

0.5
0
0

200

400
600
Tempo (min)

800

1000

0

200

400
600
Tempo (min)

800

1000

Figura 14: Resposta do MLD frente ao desvio no sensor 1/Grupo 1 (5◦ F por minuto).

Antory, D., Irwin, G. W., Kruger, U. and McCullough, G.
(2008). Improved process monitoring using nonlinear
principal component models, International Journal of
Intelligent Systems 23(5): 520–544.

Eyng, E. (2008). Controle Feed Forward-Feedback Aplicado
as Colunas de Absorção do Processo de Produção de
Etanol por Fermentação, PhD thesis, Faculdade de Engenharia Química - UNICAMP.

Böhme, T., Fletcher, I. and Cox, C. (1999). Reliable
neuro self-tuning control using autoassociative neural
networks for the water treatment, E & I Elektrotechnik
und Informationstechnik 116: 375–389.

Fantoni, P., Hoffmann, M., Shankar, R. and Davis, E. (2003).
On-line monitoring of instrument channel performance
in nuclear power plant using peano, Progress in Nuclear Energy 43(1–4): 83–89.

Bueno, I. (2006). Utilização de redes neurais artificias na
monitoração e detecção de falhas em sensores do reator iea-r1, Master’s thesis, IPEN/USP.
Cuenca, W. M., Seixas, J. M. and Levy, A. F. (2004). A
análise de componentes principais para identificar descargas parciais em transformadores de potência, Anais
do Simpósio Brasileiro de Redes Neurais.
de Miguel, L. J. and Blázquez, L. F. (2005). Fuzzy logicbased decision-making for fault diagnosis in a dc motor, Engineering Applications of Artificial Intelligence
18(4): 423–450.

Galotto, L., Bose, B., Leite, L., Pereira Pinto, J., Borges da Silva, L. and Lambert-Torres, G. (2007). Autoassociative neural network based sensor drift compensation in indirect vector controlled drive system, 33rd
Annual Conference of the IEEE Industrial Electronics
Society, 2007. IECON 2007., pp. 1009–1014.
Garcia-Alvarez, D., Fuente, M. J., Vega, P. and Sainz, G.
(2009). Fault detection and diagnosis using multivariate
statistical techniques in a wastewater treatment plant,
7th IFAC International Symposium on Advanced Control of Chemical Processes (2009), pp. 952–957.

135

Haykin, S. (1998). Neural Networks - A Comprehensive
Foundation, Macmillan College Publishing Company.
Hines, J. W. and Garvey, D. (2007). Process and equipment
monitoring methodologies applied to sensor calibration
monitoring, Quality and Reliability Engineering International 23(1): 123–135.
Hines, J. W., Uhrig, R. E., Black, C. and Xu, X. (2000). An
evaluation of instrument calibration monitoring using
artificial neural networks, 8th International Conference
on Nuclear Engineering. Proceedings of ICONE 8.,
Baltimore, MD, USA, pp. 1–9.
Koćielny, J. M. and Syfert, M. (2006). Fuzzy diagnoss
tic reasoning that takes into account the uncertainty of
the relation between faults and symptoms, International Journal of Applied Mathematics and Computer Science 16(1): 27–35.
Kramer, M. (1992). Autoassociative neural networks, Computers & Chemical Engineering 16(4): 313–328.
Kramer, M. A. (1991). Nonlinear principal component analysis using autoassociative neural networks, AIChE Journal 37(2): 233–243.
Marseguerra, M. and Zoia, A. (2005a). The autoassociative
neural network in signal analysis: I. the data dimensionality reduction and its geometric interpretation, Annals
of Nuclear Energy 32(11): 1191 –1206.
Marseguerra, M. and Zoia, A. (2005b). The autoassociative
neural network in signal analysis: Ii. application to online monitoring of a simulated bwr component, Annals
of Nuclear Energy 32(11): 1207–1223.
Marseguerra, M. and Zoia, A. (2006). The autoassociative
neural network in signal analysis: Iii. enhancing the reliability of a nn with application to a bwr, Annals of
Nuclear Energy 33(6): 475–489.
Mendel, J. (1995). Fuzzy logic systems for engineering: a
tutorial, Proceedings of the IEEE 83(3): 345–377.
Monsef, W. A., Saraya, S. and Areed, F. (2007). Design of a
neural - plc controller for industrial plant, International
Conference on Machine Learning, Models, Technologies and Applications (MLMTA), Las Vegas, Nevada,
USA, pp. 25–28.
Najafi, M., Gulp, C. and Langari, R. (2004). Enhanced autoassociative neural networks for sensor diagnostics (eaann), IEEE International Conference on Fuzzy Systems, 2004. Proceedings., Vol. 1, pp. 453–456.
Oliveira, M., Amaral, J. and Amaral, J. (2009). Algoritmos
para auto-ajuste de sensores utilizando redes neurais,
8th Int. Seminar on Elect. Metrology, João Pessoa, PB.
136


Pereira, J., Carvalho, A., Tatibana, G., Sanches, R., Carrasco,
B., Flora, N. and Hines, J. (2006). Uma nova estratégia de modelagem para monitoramento de instrumentos
e verificação de calibração usando redes neurais artificiais., 3o Congresso Brasileiro de P&D em Petróleo e
Gás, Salvador, Brazil.
Qiao, W., Venayagamoorthy, G. and Harley, R. (2009).
Missing-sensor-fault-tolerant control for sssc facts device with real-time implementation, IEEE Transactions
on Power Delivery 24(2): 740–750.
Reyes, J., Vellasco, M. and Tanscheit, R. (2010). Sistemas de inferência fuzzy para auto-compensação e
auto-validação em sensores inteligentes, XVIII Congresso Brasileiro de Automática (CBA 2010), BonitoMS-Brazil.
Sanz, J., Perera, R. and Huerta, C. (2007). Fault diagnosis
of rotating machinery based on auto-associative neural
networks and wavelet transforms, Journal of Sound and
Vibration 302(4–5): 981–999.
Simani, S., Fantuzzi, C. and Beghelli, S. (2000). Diagnosis techniques for sensor faults of industrial processes, IEEE Transactions on Control Systems Technology
8(5): 848–855.
Singh, H. (2004). Development and implementation of an
artificially intelligent search algorithm for sensor fault
detection using neural networks, Master’s thesis, Texas
A&M University.
Theilliol, D., Noura, H. and Ponsart, J.-C. (2002). Fault diagnosis and accommodation of a three-tank system based
on analytical redundancy, ISA Transactions 41(3): 365–
382.
Tian, G., Zhao, Z. and Baines, R. (2000). A fieldbus-based
intelligent sensor, Mechatronics 10(8): 835–849.
Torres, R. C., de Seixas, J. M. and Filho, W. S. (2004). Classificação de sinais de sonar passivo utilizando componentes principais não-lineares, Learning and Nonlinear
Models 2(2): 60–72.
Upadhyaya, B. and Eryurek, E. (1992). Application of neural networks for sensor validation and plant monitoring,
Nuclear Technology 97(2): 170–176.
Wrest, D. J., Hines, J. W. and Uhrig, R. E. (1996). Instrument
surveillance and calibration verification through plant
wide monitoring using autoassociative neural networks,
Proceedings of the 1996 American Nuclear Society International Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Interface Technologies (1996), pp. 6–9.

Xu, X., Hines, J. W. and Uhrig, R. E. (1998). On-line sensor
calibration monitoring and fault detection for chemical processes, Maintenance and Reliability Conference
(MARCON 98), pp. 12–14.


137

Mr8

Mais conteúdo relacionado

Semelhante a Mr8 (20)

Mais de smangorzewski (9)

Mr8