23

2 Monitoramento de Sensores

2.1. Sistemas de medição digital

Um sistema de medição pode ser dividido em blocos funcionais que devem

realizar uma ou mais funções específicas e são utilizados de acordo com a

necessidade. Existem diversos modelos de sistemas de medição conhecidos e

outros podem ser desenvolvidos de acordo com a necessidade da aplicação

(Oliveira e Catunda, 2007). Esses sistemas são baseados na utilização ou

aplicação de instrumentos elétricos ou eletrônicos que determinem o valor da

grandeza analisada.

A utilização de um sensor pode estar associada a um processo de

aquisição da variação de uma grandeza física, e esta aquisição, na maioria dos

casos, está associada a uma ação de controle que é realizada após algum

tratamento do dado adquirido. Assim, um sistema de aquisição e controle de

dados pode ser definido como um conjunto de recursos de hardware e de

software destinado a providenciar uma representação pertinente de um sistema

físico (Rocha e Nogueira, 2007).

Oliveira e Catunda (2007) apresentam a configuração típica de um sistema

de medição analógico e digital (ver Figura 1) mediante uma função de

transferência estática (fSM). Assim, o sistema de medição analógico pode ser

representado pela seguinte equação:

icsSM ffff oo=

ou seja,

)))((()(ˆ xfffxfx sciSM ==

Já no sistema de medição digital a função de transferência estática (fSM ),

desconsiderando a função de transferência do filtro de antibatimento, pode ser

representada por:

RADcsSM fffff ooo=

ou seja,

))))(((()(ˆ xffffxfx scADRSM ==

24

x

x

Figura 1. Diagrama representativo de um sistema de medição analógico e digital.

Fonte: Oliveira e Catunda (2007)

O projeto de um sistema de medição consiste, então, em definir cada bloco

funcional de forma que a função de transferência do sistema completo satisfaça

às restrições do tipo de medição empregada.

A configuração típica dos instrumentos de medição digital

(desconsiderando o filtro de antibatimento) é composta pelos seguintes módulos:

1. Sensor/ Transdutor → fornece uma grandeza de saída que tem

uma correlação determinada com a grandeza do mensurando

(INMETRO, 2007). A grandeza de saída é representada por um

sinal elétrico analógico e considera que não existe interferência de

outra grandeza.

2. Condicionadores → realizam o processamento dos sinais

elétricos, melhorando a sensibilidade e a resolução da medida e a

qualidade da resposta da cadeia de medição (Hall, 2010; Oliveira e

Catunda, 2007). O condicionamento pode realizar funções de

conversão do sinal, amplificação, linearização, filtragem e

retificação.

3. Conversor analógico-digital (A/D) → realiza a digitalização do

sinal, composta por subprocessos de quantização e codificação.

4. Processamento Digital → tem a função principal de determinar o

valor da grandeza do mensurando, por meio de uma função de

reconstrução (Oliveira e Catunda, 2007).

5. Etapa de saída → pode ser um registrador, indicador ou

controlador para um atuador de um processo.

25

É importante ressaltar que o sinal elétrico na saída de um sensor é sujeito

a diversas formas de interferências, tais como ruído e outras grandezas

interferentes. Logo, o sinal de saída de um sensor pode ser expresso em função

dessas interferências como:

),...,,(21 nS xxxfy =

No entanto, as grandezas interferentes podem ser desprezadas se não

comprometerem a qualidade da medição, dentro da tolerância especificada para

o projeto do sistema de medição. Caso contrário, o sistema de medição deve ser

provido de um esquema de compensação (quando realizada analogicamente)

ou correção (quando realizada digitalmente) de interferências. Caso o

mensurando esteja presente na função de entrada do sensor, a medição é dita

direta. Se a grandeza de interesse deve ser obtida a partir de uma ou mais

grandezas de entrada do sensor, a medição é dita indireta.

A diferença entre compensação e correção é determinante para se definir

as práticas a serem empregadas, caso exista a necessidade de se corrigir as

medições dos sensores.

De forma a entender as características que influenciam na escolha de um

sensor em um determinado processo, o Vocabulário Internacional de Termos

Fundamentais e Gerais de Metrologia (INMETRO, 2007) define os seguintes

termos que serão utilizados ao longo deste trabalho:

• Exatidão: Grau de concordância entre o resultado de uma medição

e o valor verdadeiro do mensurando. Já a exatidão de um

instrumento é definida como a aptidão de um instrumento de

medição para dar respostas próximas a um valor verdadeiro.

• Desvio: Diferença entre o valor medido e o seu valor de referência.

• Repetitividade: Grau de concordância entre os resultados de

medições sucessivas de um mesmo mensurando, efetuadas sob as

mesmas condições de medição.

• Erro Sistemático: Média que resultaria de um infinito número de

medições do mesmo mensurando, efetuadas sob condições de

repetitividade, menos o valor verdadeiro do mensurando.

• Erro Aleatório: Resultado de uma medição menos a média que

resultaria de um infinito número de medições do mesmo

mensurando efetuadas sob condições de repetitividade. Igual ao

erro menos o erro sistemático.

26

• Tendência: Erro sistemático da indicação de um instrumento de

medição.

• Correção: Valor adicionado algebricamente ao resultado não

corrigido de uma medição, de modo a compensar o erro

sistemático.

• Cadeia de medição: Sequência de elementos de um instrumento

ou sistema de medição que constitui o trajeto do sinal de medição

desde o estímulo até a resposta.

• Ajuste (de um instrumento de medição): Operação destinada a

fazer com que um instrumento de medição tenha desempenho

compatível com o seu uso.

• Faixa de medição: Conjunto de valores de um mensurando para o

qual se admite que o erro de um instrumento de medição mantém-

se dentro dos limites especificados.

• Sensibilidade: Variação da resposta de um instrumento de

medição dividida pela correspondente variação do estímulo obtida

de um instrumento padrão. Para uma função do sinal de saída do

sensor dada por )(xfys = , a sensibilidade S num ponto xo é dada

por (Oliveira e Catunda, 2007):

oxx

so

x

yxS

=∂

∂=)(

• Estabilidade: Aptidão de um instrumento de medição para

conservar constantes suas características metrológicas ao longo do

tempo.

• Deriva: Variação lenta de uma característica metrológica de um

instrumento de medição.

• Calibração: Conjunto de operações que estabelece, sob condições

especificadas, a relação entre os valores indicados de um

instrumento de medição ou sistema de medição, e os valores

correspondentes das grandezas estabelecidos por padrões.

Outra característica não definida no Vocabulário Internacional de Termos

Fundamentais e Gerais de Metrologia, mas que será usada neste trabalho é a

seguinte:

27

• Envelhecimento: deriva da curva de calibração com o tempo,

geralmente apresentando uma diminuição da sensibilidade (Oliveira

e Catunda, 2007).

2.2. Monitoramento clássico de sensores na Indústria

A solução clássica para o monitoramento de sensores consiste em uma

série de etapas que abrangem desde o desenvolvimento dos cronogramas de

revisão e calibração até uma possível substituição do instrumento caso este seja

avaliado como descalibrado ou irreparável.

Os cronogramas clássicos de monitoramento geralmente demandam um

longo período de tempo para realizar a revisão, ajuste ou calibração do

equipamento de acordo com o tipo de falha encontrada. Na indústria é comum

que o especialista da instrumentação da planta elabore cronogramas de revisão

e calibração para todos os equipamentos que controlam os processos

(atuadores, sensores e controladores). A seguir são apresentadas as etapas do

monitoramento clássico de sensores, assim como uma breve descrição de cada

uma delas.

2.2.1. Agendamento de Revisões

O desenvolvimento de um cronograma de revisão dos instrumentos da

planta pode ser qualificado como uma das tarefas mais importantes no controle

dos processos, já que garante o correto funcionamento dos sensores e

atuadores. Um cronograma mal projetado pode gerar perdas desnecessárias de

tempo, tanto para o especialista como para o processo. Os cronogramas são

geralmente desenvolvidos com base na experiência do especialista, que designa

aos instrumentos mais críticos um período de revisão frequente (diária), de forma

a evitar qualquer tipo de falha no processo e, aos instrumentos menos críticos,

uma revisão menos frequente (semanal, mensal, semestral ou anual),

dependendo do seu estado.

28

2.2.2. Revisão do Instrumento In-Situ

Na revisão do instrumento in-situ, dependendo do tipo de instrumento, o

sensor pode ser desconectado do canal de aquisição de sinais por um período

mínimo de tempo e ser revisado com a ajuda de ferramentas calibradas que

forneçam uma leitura real e confiável do processo. Outra forma de realizar a

revisão do instrumento in-situ é acoplar em paralelo (sem desconectar o sensor),

uma ferramenta que fornecerá as medidas efetuadas pelo instrumento durante o

período de revisão. Nesta etapa geralmente é utilizado como ferramenta de

revisão um calibrador de processos (Fluke, 2004) ou um Hand Held (ABB, 2006).

2.2.3. Ajuste do Instrumento In-Situ

Caso o sensor apresente leituras errôneas durante a fase de revisão, será

efetuado um ajuste das medições do processo, para que o sensor possa

fornecer leituras dentro da faixa de medição esperada. Geralmente, nessa etapa

o sensor é isolado do canal de aquisição para ser ajustado com as ferramentas

já mencionadas. Depois de efetuado o ajuste, o sensor é novamente conectado

ao canal de aquisição e o cronograma de calibração é modificado, atribuindo-se

ao sensor afetado uma revisão mais frequente.

2.2.4. Retirada do Instrumento

Caso o sensor não possa ser ajustado ou revisado in-situ ou não sejam

corrigidas suas leituras após a etapa de ajuste in-situ, deve-se agendar uma

parada do processo para desinstalar o instrumento e realizar a revisão e o ajuste

no laboratório.

2.2.5. Revisão e Ajuste do Instrumento em Laboratório

No laboratório, o instrumento é conectado aos módulos de teste que

fornecem as medidas quando um estímulo é aplicado no sensor para simular o

funcionamento do processo. Assim, com a ajuda desses módulos, o especialista

tentará ajustar o sensor na faixa de medição requerida.

29

2.2.6. Substituição Momentânea ou Parcial do Instrumento

Depois de realizado o ajuste no laboratório, as medições do sensor são

avaliadas em função do erro permitido para o processo. Caso não seja possível

realizar um ajuste correto (desvio alto) do sensor no laboratório, agenda-se uma

nova calibração, substituindo momentaneamente o sensor defeituoso por outro.

2.2.7. Agendamento de uma nova Calibração

Uma nova calibração do instrumento é agendada em um laboratório

especializado em calibração de sensores, preferencialmente acreditado na RBC

(Rede Brasileira de Calibração). Neste caso, o tempo de calibração do

instrumento dependerá do tipo e da intensidade da falha. Geralmente, uma nova

calibração pode levar várias semanas para ser realizada; portanto, o especialista

deve estar preparado para substituir o instrumento durante esse período, além

de agendar uma nova parada do processo para a re-instalação do instrumento.

Conforme especificado nas etapas anteriores, o método clássico de

monitoramento, detecção e correção de falhas em sensores é baseado na

verificação de um limite de erro de medição. No entanto, este tipo de método não

fornece um conhecimento profundo sobre o diagnóstico das falhas (Ni, K. et al.,

2009).

É possível concluir que o monitoramento de sensores demanda um alto

consumo de tempo e demanda um grande esforço para isolar, ajustar, calibrar e

re-instalar o sensor no processo. Considerando que o trabalho de monitoramento

deve ser estendido para o número total de instrumentos instalados na planta, o

tempo investido aumenta consideravelmente. Portanto, um monitoramento

automatizado de forma on-line que possa ajustar e identificar o sensor defeituoso

é extremamente útil para o gerenciamento de futuras calibrações e otimização

do tempo investido pelo especialista.

30

2.3. Inteligência Computacional Aplicada em Instrumentação

2.3.1. Sensores Inteligentes

Na bibliografia científica atual, diversos termos são utilizados para designar

os dispositivos para os quais a Inteligência Computacional tem contribuído, tais

como “sensor/transdutor inteligente” ou “sensor adaptativo”. Entretanto, é

importante salientar que no Vocabulário Internacional de Metrologia (INMETRO,

2007) esses termos não existem. Taymanov e Sapozhnikoav (2009) explicam o

problema de se utilizarem esses termos e propõem para o VIM um novo termo

(russo) que inclui as características básicas da Inteligência Computacional nos

sensores industriais. Com o intuito de proporcionar uma definição adequada que

possa servir como ponto de partida para a padronização e o desenvolvimento de

sensores e transdutores qualificados como “Inteligentes”, no padrão IEEE 1452.2

define-se um transdutor/sensor inteligente como “um transdutor que provê

funções além das necessárias para gerar corretamente a representação de uma

grandeza sentida ou controlada. Essa funcionalidade tipicamente simplifica a

integração do transdutor em aplicações em um ambiente de redes” (Catunda,

2010). Assim, Rocha e Nogueira (2007) indicam que um sensor é considerado

inteligente se atende a pelo menos um dos seguintes requisitos:

1. Ajuste automático: capacidade de realizar automaticamente sua

calibração sem intervenção humana;

2. Processamento do sinal: capacidade de processar o sinal da

medição (medida) de forma a fornecer o valor final da grandeza;

3. Tomada de decisão: capacidade de ser autônomo na tomada de

decisões sem a necessidade de recorrer a comandos externos, ou

seja, o transdutor pode tomar decisões e realizar ações localmente;

4. Fusão com outros sensores: capacidade de combinar ou agregar

sinais de medição (medidas) obtidos de vários transdutores, com a

finalidade de se obter um resultado final mais exato;

5. Capacidade de aprendizado: capacidade de aprender com

operações passadas, usando, por exemplo, redes neurais ou outras

formas de representação de conhecimento.

É importante lembrar que o termo calibração é utilizado na Metrologia

como referente às operações que estabelecem a relação entre os valores

31

indicados pelo instrumento e por um instrumento padrão, sob condições

específicas (temperatura e/ou umidade). Por exemplo, a temperatura do

laboratório de calibração deve ser mantida a 20 ±1 ºC antes de realizar alguma

calibração.

A inteligência computacional tem sido utilizada no desenvolvimento de

modelos para correção automática de erros de medição (auto-calibração) e de

algoritmos que verificam se aqueles modelos estão funcionando de forma correta

(auto-validação). Esses modelos, baseados em técnicas como Lógica Fuzzy (LF)

(Mendel, 1995), Redes Neurais (RN) (Haykin, 1998; Bishop, 1995) e Sistemas

Neuro-Fuzzy (SNF), aumentam consideravelmente a confiabilidade do sistema e

são geralmente aplicados no monitoramento de um único sensor ou para a

detecção de falhas em uma planta.

PhaniShankar et al. (2000) apresentam uma metodologia genérica para a

construção de um algoritmo de auto-validação de dados baseado na lógica

fuzzy. As funções de pertinência são criadas a partir do desvio padrão e da faixa

de variação dos dados analisados. A metodologia é simulada com dados de

temperatura de um forno cúpula (Cupola Furnace), utilizado para a fusão de

ferro, e gera como resposta o grau de confiabilidade dos dados de temperatura

analisados.

Pereira et al. (2006) desenvolveram algoritmos de auto-verificação, auto-

correção e auto-validação aplicando redes Multilayer Perceptron (MLP) de quatro

camadas para corrigir os erros ao longo do tempo de um sensor empiricamente

modelado. A rede utiliza como entradas as medições realizadas e o tempo de

operação do sensor. Além disso, desenvolveram uma rede recorrente para

aprender o comportamento do sistema onde será utilizada, excluindo o tempo de

operação do sensor. O modelo foi utilizado em um sensor, modelado de forma

empírica, que é usado na simulação de um controle de nível de água de um

tanque. O modelo visa a ser implementado no protocolo de comunicação

industrial Field Bus.

Bueno (2006) desenvolveu um sistema de monitoramento e detecção de

falhas em sensores de um reator nuclear tipo IEA-R1. A etapa de monitoramento

é baseada na implementação de um número de redes neurais MLP igual ao

número de variáveis que se deseja monitorar. Foram avaliadas doze variáveis do

reator IEA-R1. Já na etapa de detecção de falhas se utilizou a Lógica Fuzzy para

a implementação de um modelo especialista que identifique quando os sensores

apresentam uma falha.

32

Oliveira et al. (2009) desenvolveram um algoritmo para auto-ajuste de

sensores inteligentes a partir do uso de redes neurais artificiais. Por meio de

dados gerados em uma calibração, o algoritmo aprende a corrigir os erros

sistemáticos encontrados. Para testar o modelo, os autores utilizaram um sensor

de temperatura Pt-100. O principal objetivo foi desenvolver uma rede neural

capaz de aprender a curva característica de resposta com poucos pontos.

Reyes et al. (2010) desenvolveram um sistema híbrido de auto-

compensação e auto-validação de instrumentos inteligentes industriais que

combina um modelo Neuro-Fuzzy, capaz de compensar os erros provocados por

instrumentos não calibrados ao longo do tempo, e um modelo de validação

baseado na Lógica Fuzzy, que fornece o nível de confiabilidade das medições. O

sistema proposto indica ao especialista o momento em que é necessário realizar

uma nova calibração no laboratório. O algoritmo é simulado em um instrumento

real de pressão diferencial modelo 3051S da marca Rosemount, utilizado em

mineração para o controle dos processos de nível e pressão.

Almeida et al. (2010) implementaram em um microcontrolador um sistema

para auto-calibração e linearização de sensores utilizando redes de funções de

base radiais (RBF) (Haykin, 1998) empregando um treinamento multiobjetivo que

calcula o menor erro quadrático e a menor norma dos pesos ajustados durante o

treinamento. A vantagem do treinamento multiobjetivo no contexto de

linearização de sensores é determinar uma rede adequada para o problema que

apresente baixa complexidade estrutural, reduzindo o custo da projeção em

hardware. Neste caso os pesquisadores realizaram testes em um termopar tipo

S e em uma balança de precisão (que calcula o peso em função da variação da

capacitância), simulando os pontos de calibração para cada caso e gravando os

pesos da rede em um microcontrolador. No entanto, foi necessário um grande

número de neurônios para poder chegar a resultados próximos aos desejados.

2.3.2. Instrumentação Inteligente na Indústria

A instrumentação deve ter uma capacidade de operação em tempo real,

essencial para-se lidar com a rápida evolução dos sistemas e do ambiente. A

exatidão e a medição da incerteza das saídas são importantes em muitas

aplicações práticas como, por exemplo, no monitoramento e controle de

sistemas quando uma decisão crítica deve ser tomada e um comportamento

normal (sem distúrbios) é desejável. Além disso, o custo econômico pode ser

33

crítico em aplicações de produção em massa e quando a margem de lucro é de

pequeno porte (Ablameyko et al., 2003).

Os sistemas de instrumentação e medição convencionais são baseados

em componentes dedicados com alguns parâmetros ajustáveis, os quais

permitem uma calibração adequada e adaptação às condições de operação.

Esses sistemas podem ser aplicados para o monitoramento de processos e na

detecção de eventos. Um sensor utilizado para detecção de eventos está

interessado apenas em detectar a ocorrência de um determinado estado. Já no

monitoramento dos processos, os dados são constantemente coletados e

utilizados em aplicações práticas e científicas (Ni, K. et al., 2009). No entanto,

aqueles sensores convencionais possuem uma "inteligência" limitada, ou seja,

uma capacidade limitada de extrair conhecimento a partir do mundo real para

definir e modificar seu próprio comportamento. Em particular, eles não são

capazes de entender ou aprender o comportamento desejado a partir da análise

das amostras coletadas; além disso, eles não são capazes de se adaptar

dinamicamente às mudanças das condições de funcionamento do processo

(Ablameyko, et al., 2003).

Com o aumento da capacidade de processamento dos dados e da

velocidade de execução de programas dos computadores, houve uma grande

evolução na aplicação de técnicas de inteligência computacional para realizar a

validação de sinal. O uso da Inteligência Computacional permite alcançar a

flexibilidade e adaptabilidade requeridas. No caso de sinais muito complexos,

variáveis no tempo e não-lineares, em que as medições confiáveis são muito

complexas e os modelos matemáticos clássicos não podem ser obtidos,

diferentes métodos foram propostos por pesquisadores.

Uma das primeiras aplicações foi realizada na área nuclear,

especificamente no reator regenerador experimental EBR-II, localizado em

Idaho, nos Estados Unidos. Upaddhyaya et al. (1992) aplicaram redes neurais

artificiais ao reator com o propósito de monitorar o estado das medições. O

modelo implementado utiliza duas redes neurais, uma para o circuito primário e

outra para o circuito secundário do reator nuclear, para monitoração de algumas

variáveis da instalação.

Hines et al. (1997) implementaram um modelo de validação de sinais

utilizando o modelo hibrido Neuro-Fuzzy ANFIS - Adaptative Network based

Fuzzy Inference System (Jang, 1993). Este sistema foi desenvolvido utilizando

dados fornecidos pela planta de potência nuclear de Crystal River unidade 3,

localizado no estado da Flórida, nos Estados Unidos. O modelo é baseado na

34

implementação de um número de redes ANFIS igual ao numero de variáveis que

se deseja monitorar. As variáveis monitoradas pelo sistema foram: o nível do

gerador de vapor do loop A, a temperatura da perna quente do loop A e a vazão

de água do loop A.

Em Na et al. (2002) é desenvolvido um sistema de validação de sinal

hetero-associativo que utiliza um modelo híbrido Neuro-Fuzzy ANFIS para

monitorar cada uma das variáveis em toda sua faixa de medição. Além disso, a

metodologia proposta faz uso de algoritmos genéticos para a seleção das

variáveis de entrada do modelo que ajudem na previsão dos sinais avaliados. O

modelo é testado nas medições de nível e pressão do pressurizador e na

temperatura da água de um simulador de planta nuclear localizado na Coréia do

Sul.

Oliveira (2005) desenvolveu um modelo hetero-associativo de validação de

sinais baseado em redes do tipo ANFIS. O modelo é baseado na implementação

de um número de redes ANFIS igual ao número de variáveis que se deseja

monitorar. Na simulação empregada nesta pesquisa, foi escolhida a potência e a

temperatura da água na perna quente da planta nuclear Angra I. Além disso, o

modelo implementado utiliza um modelo baseado na lógica fuzzy que indica

quando os sinais estimados apresentam falhas. É importante salientar que o

modelo proposto realiza uma correção dos sinais quando apresentam falhas

inferiores a 5% da faixa de medição dos sensores. Cumpre salientar que o

sistema de monitoramento proposto emite falsos alarmes e em alguns casos não

identifica as falhas.

Com base nessas pesquisas desenvolvidas na indústria, percebe-se a

necessidade de desenvolvimento de um sistema de monitoramento automático,

baseado em inteligência computacional, que ajuste e valide o estado do sensor.

O sistema proposto neste trabalho tem como objetivo prover os sensores de um

esquema de auto-correção on-line das medições que apresentem falhas e

realizar uma auto-validação dos sinais avaliados, fornecendo ao especialista

um grau de confiabilidade das medições e uma avaliação da qualidade do

sistema quando os sensores apresentem falhas.

35

2.4. Tipos de Falha em Sensores

Um sensor é considerado com falha se a medição das grandezas fornece

uma representação incorreta do mensurando, ou seja, e existem dados

anômalos que excedem o comportamento normal esperado do sensor (Ni, K. et

al., 2009).

Os sensores fornecem informações sobre os fenômenos ou eventos em

um maior nível de detalhamento do que antigamente. No intuito de tomar

decisões significativas com os dados dos sensores, a qualidade dos dados

recebidos deve ser assegurada. Embora o uso de redes de sensores em

aplicações de sensoriamento tenha crescido ultimamente, as ferramentas de

análise da integridade desses dados não acompanhou esse crescimento. Uma

causa disso é a falta de compreensão sobre os tipos de falhas e as

características associadas às falhas que podem ocorrer nos sensores. Portanto,

o objetivo desta seção é fornecer uma taxonomia sistemática das falhas comuns

nas medições dos sensores.

As falhas têm significados diferentes quanto a sua interpretação final

e a sua importância. Dependendo do contexto e da aplicação, algumas falhas

podem ter valor informativo, enquanto outras são descartadas. A Tabela 1

resume os tipos de falhas, suas definições, duração, indicação e possíveis

causas, além do impacto que podem gerar nas medições. A Tabela 1 segue a

Taxonomia proposta por Ni, K. et al. (2009).

36

Tabela 1. Taxonomia de Falhas: Definições, Possíveis Causas e Impacto (Ni et al., 2009)

Falha Definição e Duração Indicações e Possíveis Causas

Impacto da Falha

Outlier Dados isolados inesperados. Ocorrem aleatoriamente.

A distância entre outras medições é maior do que a esperada. O gradiente muda rapidamente quando ocorre um outlier.

Ele pode distorcer significativamente a média, variância, gradiente e outros parâmetros de dados se não forem detectadas.

Picos

Múltiplos dados com uma taxa de variação maior do que esperado.

Mudança brusca no gradiente maior que o esperado. Pouca correlação temporal entre dados históricos e os picos. Falha de bateria e outros equipamentos ou falhas de conexão.

Os picos não geram valores informativos e podem ser descartados. Isso resulta em uma perda de dados de rendimento do sensor.

“Stuck-at”

Sensores apresentam uma variância próxima a zero em um inesperado período de tempo.

Variância é próxima de zero ou zero. A causa freqüente dessa falha é uma avaria no hardware dos sensores.

Se a causa é pela mudança do ambiente, ainda tem valor informativo e os dados podem ser interpretados com baixa fidelidade. Caso contrário, os dados podem ser descartados.

Ruído ou Variância

Sensores apresentam uma alta variância ou ruído. Geralmente não temporárias.

A variação é maior do que o esperado. Devido a uma falha de hardware, ambiente fora da faixa, ou um enfraquecimento da bateria de abastecimento.

Se os dados ruidosos acompanham a tendência de outros sensores, então os dados ainda oferecem informação e não devem ser descartados.

Calibração

Os sensores reportam valores que estão fora da realidade. A falha se mantém até ser consertada.

Os erros de calibração e os desvios em sensores são as causas deste tipo de falha. Um sensor pode estar deslocado (offset) ou ter um ganho diferente do valor adequado. A maioria das falhas deste tipo pode piorar com o tempo.

Os dados não devem ser descartados. Os dados não calibrados podem fornecer informação relevante. Uma fórmula apropriada de calibração pode corrigir os dados.

Conexão ou

Hardware

Um mal funcionamento no hardware do sensor pode causar uma leitura de dados inexatos. Falha permanente uma vez que ocorre.

Dados anormalmente inferiores ou superiores aos esperados. Perturbações ambientais e a idade do sensor indicam maiores probabilidades de falha. Curto-circuito ou mal conexão do cabo alimentador.

Os dados são sem sentido devido ao fato de que o sensor não está funcionando como projetado. Devem ser descartados.

Baixa Bateria

A tensão da bateria cai a um ponto onde o sensor não fornece dados confiáveis. Permanente até a troca da bateria.

O estado da bateria do sensor é um indicador do desempenho do sensor. Um comportamento comum inclui um gradiente inesperado seguido por uma falta de dados ou de variância zero. Também pode incluir ruído excessivo.

Comumente esta falha leva a dados que devem ser descartados. A exceção é se o comportamento do sensor em baixa tensão possui ruído aditivo, então ainda pode dar valores informativos.

Ambiente fora do

intervalo

O ambiente excede o intervalo de sensibilidade do transdutor. As leituras voltam à normalidade quando o sensor volta a atuar dentro do intervalo.

Pode existir um ruído muito alto nos dados. Também pode ser um sinal de uma calibração mal realizada.

Ainda guarda informação nos dados. No valor mínimo indica que o sensor ultrapassou os limites de sensibilidade no ambiente.

Clipping (Recorte)

O sinal de saída do sensor atinge no máximo os limites do conversor A/D. Volta à normalidade quando o ambiente volta ao intervalo correto.

Os dados exibem saturação nos pontos extremos. Isto é devido ao ambiente que excede os limites do conversor A/D.

Ainda guarda informação nos dados.

37

Esse trabalho se concentra em um conjunto de falhas de sensores que têm

sido observadas em implementações reais. Assim, três tipos de falhas (deriva,

ruído e deslocamento) categorizadas como falhas de calibração, estudadas

neste trabalho, causam um desvio das leituras dos sensores com relação aos

padrões normais (ou sem falha). Estas falhas foram observadas em várias

implementações reais (Hines, 2001, Sharma et al., 2010; Oliveira, 2005) e,

portanto, é importante entender sua prevalência para desenvolver técnicas

automatizadas e inteligentes para detectá-las. Como resultado de erros de

calibração, obtém-se uma menor acurácia, não necessariamente uma baixa

precisão. Assim, serão descritas brevemente os três tipos de falhas de

calibração utilizadas neste trabalho.

• Falhas de Deslocamento: Comumente chamada de offset; os

dados são deslocados das medições reais por um valor constante.

Os dados ainda exibem padrões normais durante um período

prolongado de tempo.

• Falha de Deriva: Ao longo do trabalho de um sensor, por vezes, o

desempenho pode afastar-se dos parâmetros de calibração

original. Ou seja, o deslocamento ou o parâmetro de ganho pode

mudar com o tempo.

• Falha de Ruído: Este componente de erro aleatório pode ser

devido a eventos externos que influenciam nas leituras dos

sensores ou a outros eventos transientes difíceis de prever. Em

alguns casos, as medições de ruído podem ser modeladas usando

uma distribuição normal como a Gaussiana (Bychkovskiy et al.,

2003).

Na Figura 2 é apresentado um exemplo (Ramanathan et al. (2006)) que

considera uma falha por calibração em um dos três sensores do monitoramento

da concentração de dióxido de carbono do solo em diversos níveis de

profundidade. Neste caso o sensor apresenta medições pouco usuais em

relação aos outros sensores.

38

Figura 2. Concentração de CO2 no solo em três diferentes profundidades na Reserva

James. O sensor de 16 cm apresenta problemas de calibração.

É possível perceber claramente que o sensor de 16 centímetros não está

medindo o esperado na maior parte do tempo. Há também algumas

semelhanças com os outros sensores expostos. Por exemplo, há um pico

comum nos três sensores antes dos 200 dias. Também há uma falha do tipo

desvio, uma vez que existe um deslocamento com relação ao tempo.

Eventualmente, o sensor retorna à operação normal após aproximadamente 270

dias. Esses tipos de falhas podem ser comumente achados nos processos

industriais e são motivo da abordagem desta pesquisa.

2.5. Monitoramento redundante de sensores

Várias técnicas de monitoramento on-line foram desenvolvidas para o

cálculo da estimativa de parâmetros usando as medidas de um grupo de

instrumentos redundantes. Estas técnicas são comumente referidas como de

modelos de monitoramento de calibração utilizando redundância de

sensores. Neste contexto, o termo descreve canais redundantes de instrumentos

que medem os parâmetros de um mesmo processo em uma faixa de operação

semelhante e realizam uma verificação da ultrapassagem de um limite.

Na indústria se utiliza, normalmente, redundância dupla ou tripla de

sensores para detecção de falhas. As saídas dos sensores redundantes são

comparadas entre si e, em caso de divergência entre as saídas

correspondentes, considera-se que um deles apresenta algum tipo de falha

(Pegado, 2009). A Figura 3 apresenta um esquema simples do monitoramento

redundante.

39

Figura 3. Monitoramento Redundante – Técnica tradicional

Em geral, as técnicas redundantes são mais intuitivas do que as técnicas

não redundantes. Os modelos redundantes também podem ser mais fáceis de

projetar. Esta simplicidade faz com que órgãos reguladores favoreçam as

técnicas redundantes em relação aos modelos mais simples não redundantes.

Uma fraqueza percebida das técnicas redundantes é que, ao contrário de muitas

das técnicas não-redundantes, a maioria delas é incapaz de detectar falhas de

modo comum que se manifestam em uma taxa comum durante um ciclo de

trabalho. No entanto, esses tipos de falhas de modo comum são extremamente

raros, com poucas ocorrências ao longo de várias décadas de experiência

operacional (Hines, 2007). Além disso, entre suas desvantagens mais

importantes está o aumento de custo, espaço e complexidade de incorporar

hardware redundante.

A técnica mais simples de redundância em sensores é a média das

medições. No entanto, quando é utilizada, se um sensor começa a se degradar,

a previsão também irá se degradar, mas a uma taxa inferior. Esta característica

indesejável de desvio em uma previsão, causado pelo desvio de uma entrada do

modelo, é denominada spillover (Hines, 2007).

40

2.6. Monitoramento não redundante de sensores

Quando não se dispõe de um número suficiente de sinais redundantes

para se realizar uma comparação, a técnica de redundância por hardware é dita

inadequada e, então, um modelo não redundante é utilizado para gerar os “sinais

redundantes”.

Os modelos não redundantes calculam a estimativa dos parâmetros

usando medições correlacionadas, mas não redundantes, de um grupo de

instrumentos. No entanto, caso existam canais redundantes (grupo de sensores

redundantes), estes podem ser incluídos nos grupos modelados. Pesquisas

anteriores concluíram que essas técnicas parecem ser viáveis para a aplicação

em sistemas de monitoramento (Hines, 2000; Najafi, 2004; Oliveira, 2005;

Marseguerra, 2006).

Esta técnica se baseia na aquisição de sinais de um conjunto de sensores,

a princípio correlacionados com o sensor a ser validado, que fornecem sinais

diferentes do sinal monitorado. Como exemplo, pode-se citar a obtenção da

potência consumida pelo compressor de um chiller (máquina térmica) utilizando

os sinais de temperatura de água no condensador, a temperatura e o fluxo de

água no evaporador (Najafi, 2004). Assim, a validação do sinal do sensor é feita

com a comparação entre a estimativa da variável do processo e a medida

fornecida pela instrumentação (Oliveira, 2005).

Os modelos não redundantes baseiam-se no uso de medidas históricas do

funcionamento da planta, e pressupõem que os dados armazenados estão livres

de falhas e cobrem todo o intervalo de trabalho do processo. Os dados, antes de

serem utilizados, devem ser pré-processados. Geralmente, são utilizados filtros

para remover o ruído acoplado às medidas. Os modelos não redundantes

utilizam equações empíricas, baseadas na experiência dos especialistas e

descrevendo o comportamento do sensor na planta. Atualmente as pesquisas

em modelos para validação de sinais de sensores têm sido direcionadas para

modelos empíricos, por meio da utilização da inteligência computacional, com

aplicações de redes neurais (Pegado, 2009; Rivera et all, 2007; Pereira, 2006)

lógica fuzzy (Murphey et al, 2003; Osowski et al, 2004) e sistemas especialistas

(Angeli, 2010). A Figura 4 resume o que foi abordado nesta seção.

41

Figura 4. Monitoramento não redundante – Metodologia atual

2.6.1. Modelos Inferenciais, Hetero-Associativos e Auto-Associativos

Uma classificação adicional usada para descrever modelos empíricos

separa-os em inferencial, hetero-associativo ou auto-associativo. Um modelo

inferencial usa um conjunto de variáveis que ajudam a inferir sobre os valores da

variável de saída (cf. Figura 5a). Por exemplo, em um motor de combustão

interna, a pressão do refrigerante do motor e a temperatura do óleo do motor

podem ajudar a inferir a pressão dos gases no cárter do motor.

1y1x

2x

3x

mx

2y

3y

py

1y

1x

2x

3x

mx

1x1x

2x

3x

mx

2x

3x

mx

Figura 5. Diagrama esquemático dos modelos (a) Inferencial (b) Hetero-Associativo

e (c) Modelo Auto-Associativo

Este modelo pode ser expandido para um modelo hetero-associativo,

tendo múltiplas entradas e múltiplas saídas, onde a leitura de diferentes

variações de entrada permite inferir diferentes variáveis de saída. Por exemplo,

42

em um motor de combustão interna, a pressão do refrigerante do motor e a

temperatura do óleo do motor também podem inferir sobre a temperatura em

cada um dos cilindros onde se realiza a combustão. A diferença entre os

modelos inferenciais e os hetero-associativos é que o inferencial produz uma

variável, enquanto os modelos hetero-associativos são capazes de produzir

múltiplas saídas (cf. Figura 5b). Portanto, os modelos inferenciais e os hetero-

associativos são geralmente implementados em situações em que a

dependência das variáveis é conhecida e os parâmetros de uma medição são

comparados com os modelos de previsão para identificar uma mudança na

dependência.

Já em um modelo auto-associativo, as saídas são usadas para emular as

entradas dentro de uma faixa dinâmica apropriada (cf. Figura 5c). Como

geralmente as medidas de uma planta são corrompidas por ruído, derivas e

offsets, uma implementação do modelo auto-associativo pode ser utilizado para

estimar o valor real dos parâmetros de entrada. Neste caso o termo “real” refere-

se aos valores coletados durante a operação normal da planta, os quais serão

utilizados para o treinamento do modelo, ou uma versão filtrada das medições

livre de falhas. Ou seja, o modelo auto-assocativo (não redundante) estima os

valores corretos de entrada usando as correlações incluídas no modelo durante

o treinamento. O valor estimado pelo modelo auto-associativo pode então ser

comparado com os parâmetros atuais para determinar se um sensor possui uma

deriva ou alguma degradação resultante de uma falha interna.

2.6.2. Modelagem Empírica em Sistemas de Monitoramento para calibrações

Conforme explicado, a modelagem empírica é inserida no sistema de

monitoramento não redundante para calibrações dos sensores. Este sistema

pode ser explicado considerando o diagrama de monitoramento para calibrações

de instrumentos da Figura 6.

É possível observar na Figura 6 que a primeira etapa para desenvolver um

sistema de monitoramento é coletar dados que servirão para o treinamento do

modelo empírico (não redundante). Posteriormente, medidas do processo são

apresentadas ao modelo desenvolvido, o qual corrigirá os dados errôneos. Os

valores medidos são subtraídos dos valores corrigidos (os valores corrigidos

referem-se a estimativas do modelo), fornecendo o erro de previsão do modelo

43

(resíduo). O valor do resíduo é comparado com os limites aceitáveis de

calibração e, se o limite for excedido, a condição do sensor deve ser investigada.

Após esta investigação, uma das três possibilidades pode ser considerada:

• Não Calibrar

• Agendar uma calibração

• Declarar o sensor como inoperável para o processo

.

Figura 6. Sistema de Monitoramento de Calibração Genérico

Desta discussão é possível perceber que o modelo empírico executa a

tarefa mais crítica do sistema de monitoramento de calibrações, calculando os

parâmetros estimados para um determinado sistema. Além disso, o modelo

empírico executa uma ação de correção.