Redes neurais artificiais no ambiente de redes industriais foundation fieldbus usando blocos funcionais padrões

(1)

Programa de Pós-Gradua¸cão em Engenharia Elétrica

Redes Neurais Artificiais no Ambiente de Redes

Industriais

Foundation Fieldbus

Usando Blocos

Funcionais Padr˜

oes

Autor: Diego Rodrigo Cabral Silva

Orientador: Prof D.Sc. Adri˜ao Duarte D´oria Neto

Co-orientador: Prof D.Sc. Luiz Aﬀonso Henderson Guedes de Oliveira

(2)

Programa de Pós-Gradua¸cão em Engenharia Elétrica

Diego Rodrigo Cabral Silva

Redes Neurais Artificiais no Ambiente de Redes

Industriais

Foundation Fieldbus

Usando Blocos

Padr˜

oes

Disserta¸cão submetida ao Programa de Pós-Gradua¸cão em Engenharia Elétrica do Centro de Tecnologia da Universidade Federal do Rio Grande do Norte, como parte dos requisitos necessários para obten¸cão do grau de Mestre em Ciências.

(3)

Programa de Pós-Gradua¸cão em Engenharia Elétrica

Aprovada em 15 de Fevereiro de 2005 pela comiss˜ao examinadora, formada pelos seguintes membros:

Prof. D.Sc. Adri˜ao Duarte D´oria Neto (Orientador) DCA - UFRN

Prof. D.Sc. Luiz Aﬀonso Henderson Guedes de Olivera (Co-Orientador) DCA - UFRN

Prof. D.Sc. J´es de Jesus Fiais Cerqueira (Examinador Externo) UFBA

Prof. D.Sc. Jorge Dantas de Melo (Primeiro Examinador Interno) DCA - UFRN

Prof. D.Sc. Andr´e Laurindo Maitelli (Segundo Examinador Interno) DCA - UFRN

(4)

Gostaria de agradecer a toda minha fam´ılia, que sempre me incentivou aos estudos, em especial aos meus pais, Jorge Eider e Maria das Gra¸cas, que formaram a base para a minha educa¸c˜ao.

Não poderia deixar de agradecer também a todos os integrantes do projeto REDE 10/06 que convivem e crescem comigo a cada dia, em especial aos professores Adrião, Jorge e Affonso, que depositaram confian¸ca em meu trabalho e foram muito pacientes no acompanhamento do mesmo. Outras pessoas que também merecem agradecimentos especiais são: o amigo de faculdade e hoje, colega de laboratório, Fábio Lima, que ajudou bastante na adapta¸cão do último experimento realizado neste trabalho; e o amigo e também professor, Allan Medeiros, que sempre demonstrou interesse em discutir assuntos pertinentes ao trabalho.

No mais, a todas as pessoas que de alguma forma contribu´ıram com este trabalho, como, minha namorada e os amigos mais pr´oximos.

(5)

As redes para automa¸cão industrial vêm se destacando e substituindo aos poucos as arquiteturas mais antigas dos sistemas utilizados na área de automa¸cão. Dentre as redes para automa¸cão industrial já existentes, a que mais se destaca é aFoundation Fieldbus (FF). Essa arquitetura foi escolhida para desenvolver o presente trabalho devido à completa especifica¸cão da camada de aplica¸cão e, por causa da sua interface com o usuário, organizada em blocos, o que possibilita a interoperabilidade entre os dispositivos de fabricantes diferentes. Atualmente, uma das aplica¸cões mais procuradas na automa¸cão industrial é a medi¸cão indireta, que consiste em inferir um valor a partir das medidas de outros sensores. Isso pode ser realizado através da implementa¸cão dos chamados software sensors, ou, sensores de software. Uma das ferramentas mais utilizadas no projeto e implementa¸cão dos sensores de software

são as redes neurais artificiais. A falta de uma solu¸cão padrão que implemente redes neurais no ambiente de redes FF impossibilita o desenvolvimento de um projeto de medi¸cão indireta para o campo, além de outros poss´ıveis projetos que envolvam redes neurais, a menos que se opte por uma solu¸cão proprietária, o que não garante manter a interoperabilidade entre os dispositivos da rede, principalmente se esses forem de fabricantes diferentes. Visando manter a interoperabilidade, este trabalho objetiva desenvolver uma solu¸cão para executar algoritmos de redes neurais artificiais no ambiente de redes para automa¸cão industrial Foundation Fieldbus baseada em blocos funcionais padrões. Ao fim deste trabalho, encontram-se alguns resultados da implementa¸cão da solu¸cão aqui abordada.

(6)

Industrial automation networks is in focus and is gradually replacing older architectures of systems used in automation world. Among existing automation networks, most prominent standard is theFoundation Fieldbus (FF). This particular standard was chosen for the development of this work thanks to its complete application layer specification and its user interface, organized as function blocks and that allows interoperability among diﬀerent vendors’ devices. Nowadays, one of most seeked solutions on industrial automation are the indirect measurements, that consist in infering a value from measures of other sensors. This can be made through implementation of the so-called software sensors. One of the most used tools in this project and in sensor implementation are artificial neural networks. The absence of a standard solution to implement neural networks in FF environment makes impossible the development of a field-indirect-measurement project, besides other projects involving neural networks, unless a closed proprietary solution is used, which dos not guarantee interoperability among network devices, specially if those are from diﬀerent vendors. In order to keep the interoperability, this work’s goal is develop a solution that implements artificial neural networks inFoundation Fieldbus

industrial network environment, based on standard function blocks. Along the work, some results of the solution’s implementation are also presented.

(7)

1 Introdu¸c˜ao 1

1.1 Evolu¸c˜ao da Automa¸c˜ao Industrial . . . 1

1.1.1 Breve Retrospecto . . . 1

1.1.2 Destaques das Redes Industriais . . . 2

1.1.3 A Escolha pela Foundation Fieldbus . . . 4

1.1.4 Software Sensors . . . 5

1.1.5 Motiva¸c˜ao e Objetivos do Trabalho . . . 5

1.2 Estrutura da Disserta¸c˜ao . . . 6

2 Foundation Fieldbus 7 2.1 Desenvolvimento Hist´orico . . . 7

2.2 Caracter´ısticas de Desempenho . . . 8

2.3 Modelo de Comunica¸c˜ao em Camadas . . . 9

2.3.1 Camada F´ısica . . . 10

2.3.2 Pilha de Comunica¸c˜ao . . . 15

2.3.3 Camada de Aplica¸c˜ao . . . 21

3 Redes Neurais Artificiais 26 3.1 Propriedades das Redes Neurais . . . 27

3.2 Modelos de um Neurˆonio . . . 28

3.2.1 Tipos de Fun¸c˜ao de Ativa¸c˜ao . . . 31

3.3 Arquiteturas de Redes Neurais . . . 34

3.3.1 Redes Alimentadas Adiante com Camada ´Unica . . . 35

3.3.2 Redes Alimentadas Diretamente com M´ultiplas Camadas . . . 35

3.3.3 Redes Recorrentes . . . 37

3.4 Processos de Aprendizagem . . . 37

4 Redes Neurais no Ambiente Foundation Fieldbus 39 4.1 Detalhamento T´ecnico . . . 39

5 Testes e Resultados 46

(8)

5.3 Exemplo 2: Fun¸cão gaussiana . . . 52 5.4 Exemplo 3: Fun¸cão quadrática de duas variáveis . . . 54 5.5 Exemplo 4: Fun¸cão exponencial quadrática com duas variáveis . . . . 56 5.6 Exemplo 5: Controle de n´ıvel um tanque com dinâmica não-linear . . 58

6 Conclus˜oes e Perspectivas 62

6.1 Vantagens e Desvantagens da Implementa¸c˜ao em Blocos Funcionais . 63

Referˆencias Bibliogr´aficas 66

(9)

1.1 Esquema de um software sensor. . . 5

2.1 Logomarca dos membros da Fieldbus Foundation. . . 8

2.2 Malha de controle baseada na tecnologia Foundation Fieldbus [4]. . . 10

2.3 Modelo de comunica¸c˜ao em camadas. . . 11

2.4 Estrutura f´ısica do barramento de comunica¸c˜ao da Foundation Fieldbus [4]. . . 11

2.5 Topologia mista em uma rede H1. . . 13

2.6 Comunica¸c˜ao s´ıncrona baseada na lista de transmiss˜ao [4]. . . 17

2.7 Transmiss˜ao s´ıncrona e comunica¸c˜ao ass´ıncrona[4]. . . 18

2.8 Transmiss˜ao ass´ıncrona com token[4]. . . 19

2.9 Controle de comunica¸c˜ao pelo LAS [4]. . . 20

2.10 Divis˜ao do dispositivo de campo em blocos[4]. . . 22

2.11 Conex˜ao de blocos funcionais [4]. . . 25

3.1 Modelo de um neurˆonio artificial. . . 29

3.2 Transforma¸c˜ao afim produzida pela presen¸ca do bias. . . 30

3.3 Representa¸c˜ao alternativa no modelo de um neurˆonio artificial. . . 31

3.4 Fun¸c˜ao de limiar. . . 32

3.5 Fun¸c˜ao linear por partes. . . 32

3.6 Fun¸cão sigmóide com parâmetro de inclina¸cão variável. . . 33

3.7 Rede alimentada adiante com apenas uma camada de neurˆonios. . . . 35

3.8 Rede alimentada adiante totalmente conectada com uma camada oculta e uma camada de sa´ıda. . . 36

3.9 Rede recorrente sem neurˆonios ocultos. . . 37

4.1 Esquema interno do bloco aritm´etico padr˜ao FF. . . 40

4.2 Esquema interno do bloco caracterizador de sinais padr˜ao FF. . . 41

4.3 Fun¸cão tangente sigmóide, usada como fun¸cão de ativa¸cão. . . 42

4.4 Pontos fornecidos pelo algoritmo gen´etico. . . 43

(10)

4.7 Neurˆonio artificial implementado no ambiente Foundation Fieldbus. . 45

5.1 Arquitetura do laborat´orio did´atico. . . 47

5.2 Teste de precedˆencia no ambiente FF. . . 48

5.3 Sa´ıda do bloco “arit2” para o teste de precedˆencia. . . 48

5.4 Fun¸c˜ao exponencial . . . 49

5.5 Arquitetura de rede neural utilizada para o experimento 1. . . 50

5.6 Resultado no ambiente de simula¸c˜ao. . . 50

5.7 Organiza¸c˜ao dos blocos funcionais correspondente a respectiva rede neural. . . 51

5.8 Resultado no ambiente real FF. . . 51

5.9 Distribui¸c˜ao dos pontos do conjunto de treinamento. . . 52

5.10 Sa´ıda da rede neural no ambiente de simula¸c˜ao. . . 53

5.11 Conjunto de dados de treinamento com trˆes dimens˜oes. . . 54

5.12 Arquitetura de rede neural utilizada para o experimento 3. . . 55

5.13 Resposta da rede neural no ambiente simulado para o exemplo 3. . . 55

5.14 Malha formada pelos pontos do conjunto de treinamento. . . 56

5.15 Arquitetura de rede neural utilizada no experimento 4. . . 57

5.16 Resultado da rede no ambiente de simula¸c˜ao. . . 57

5.17 Modelo do tanque a ser controlado. . . 59

5.18 Fun¸c˜ao de pondera¸c˜ao dos PIDs. . . 60

5.19 Esquema dos blocos funcionais. . . 60

5.20 Fun¸c˜ao de pondera¸c˜ao dos PIDs. . . 61

5.21 Sinais de controle, PIDs e rede neural. . . 61

(11)

2.1 Tamanho m´aximo dos ramos H1[4]. . . 12

2.2 Cabos fieldbus e seus respectivos tamanhos m´aximos[4]. . . 13

2.3 Lista de transmiss˜ao s´ıncrona. . . 16

2.4 Blocos funcionais t´ıpicos. . . 22

(12)

Introdu¸

c˜

ao

1.1 Evolu¸

c˜

ao da Automa¸

c˜

ao Industrial

1.1.1 Breve Retrospecto

O controle das plantas industriais inicialmente utilizava tecnologia pneumática. Esta foi posteriormente substitu´ıda pela tecnologia eletrônica analógica, e depois pela eletrônica digital. Com o advento do controle digital, os sistemas passaram a ter uma separa¸cão f´ısica mais acentuada entre o processo e os instrumentos de controle. A partir da década de 80, come¸caram a ser criados padrões para a comunica¸cão entre os instrumentos de um sistema de automa¸cão. Surgiam, então, as primeiras redes industriais, criadas para que o controle pudesse ser feito a grandes distâncias do processo [14].

A evolu¸cão das arquiteturas de sistemas de controle para indústria tem uma forte rela¸cão com as tecnologias de transmissão de sinais, de forma que cada avan¸co na área de transmissão de sinais levou a um conseqüente avan¸co na arquitetura utilizada. Percebe-se que, à medida que estas tecnologias avan¸caram, as arquiteturas dos sistemas de controle passaram a ser cada vez mais descentralizadas.

A primeira arquitetura de controle digital que se pode citar é a DDC (Direct Digital Control - Controle Digital Direto), que surgiu na década de 1970. Nessa arquitetura, o comando era feito de forma direta, ou seja, uma unidade central realizava todas as opera¸cões de controle e acionamento [5].

Como toda a estrat´egia de controle era realizada em um ´unico elemento

(13)

centralizador, um problema em algum la¸co de controle era capaz de comprometer o sistema inteiro.

Em seguida surgiu uma arquitetura chamada DCS (Distributed Control System

- Sistema de Controle Distribu´ıdo). Na mesma época, surgiam os primeiros PLCs (Programmable Logic Controller) - os famosos Controladores Lógicos Programáveis. Tanto os sistemas DCS quanto os sistemas baseados em PLCs se caraterizavam por distribuir o controle em várias unidades, em oposi¸cão à abordagem do DDC. Isso trouxe um ganho imediato no sentido de que uma falha em um dos la¸cos de controle não comprometeria o sistema inteiro, mas apenas os dispositivos atribu´ıdos a ele. A diferen¸ca básica entre os dois sistemas era que o DCS era voltado ao controle de processo cont´ınuo, enquanto que o PLC era destinado ao controle discreto, como comando lógico e inter-travamento. Atualmente, essa divisão ficou difusa, pois os PLCs incorporaram funcionalidades dos DCSs e vice-versa.

Mais recentemente, surgiram solu¸cões que fazem uso de uma nova arquitetura de sistemas de controle, a FCS (Field Controller System - Sistema de Controle de Campo). Com o advento da arquitetura FCS, a estratégia de controle foi ainda mais distribu´ıda, de forma que agora cada dispositivo de campo seria capaz de participar de parte do controle, consistindo em um controle verdadeiramente descentralizado. A princ´ıpio, pode parecer estranho a substitui¸cão de um potente computador por dispositivos de campo com limitada capacidade de processamento. Porém, uma das grandes vantagens que a arquitetura FCS traz é que cadahardwarenovo incorporado à rede é uma nova unidade que pode realizar controle, inclusive possibilitando redundância, escalabilidade e tornando os la¸cos de controle ainda mais seguros [5].

1.1.2 Destaques das Redes Industriais

Uma sens´ıvel vantagem do uso de instrumenta¸cão digital em rede é a redu¸cão de cabeamento dos sensores aos equipamentos coletores. Em alguns casos, o próprio cabo de alimenta¸cão também é o cabo utilizado para a rede de dados. Como a informa¸cão é digital, uma série de dados adicionais, além da medi¸cão, podem ser transmitidos, como medidas da qualidade do sinal medido ou informa¸cões de diagnóstico do sensor.

´

(14)

era inviável quando as medi¸cões eram puramente analógicas. A possibilidade de se obter informa¸cão do estado do sensor é extremamente bem-vinda para se melhorar o processo de automa¸cão industrial, uma vez que, manuten¸cões preventivas podem ser otimizadas e falhas por quebra, imprecisão ou baixa confiabilidade podem ser reduzidas, gerando-se uma grande economia para o processo como um todo, que passará a ter um tempo de paradas para manuten¸cão bem menor.

Essa rede permite ainda que se configure equipamentos remotamente, facilitando a instala¸cão ou altera¸cão de parâmetros destes. Tal recurso pode evitar que um profissional tenha de se deslocar geograficamente para realizar uma configura¸cão de um equipamento, o que também pode significar corte de gastos para a empresa em questão.

Por fim, a informa¸cão digital é mais imune a ru´ıdos do que a analógica. Adicionalmente, pode-se armazenar os dados em uma memória temporária para retransmissão, caso algum problema na transmissão anterior ocorra, ou simplesmente se queira ter acesso a um histórico de leituras, caso em que o sensor estaria atuando como um registrador.

Alguns pontos fracos da instrumenta¸cão em rede, porém, também devem ser levados em conta: o funcionamento do sistema supervisório, ou em alguns casos até o funcionamento do processo, dependem do bom estado da rede. Se a rede não funciona ou tem um ´ındice de indisponibilidade elevado, isto irá causar preju´ızo à automa¸cão. Os padrões mais atuais tornam os equipamentos bastante autônomos, de forma que, mesmo que a rede pare de funcionar temporariamente, o equipamento continuará realizando a tarefa para qual foi configurado, como, por exemplo, realizar o controle de uma variável de processo.

(15)

seguran¸ca, que s˜ao dispositivos ´opticos usados para fazer os acoplamentos dos cabos de instrumentos.

1.1.3 A Escolha pela

Foundation Fieldbus

Dentre as várias tecnologias de Sistemas de Controle de Campo, destacam-se as redes Foundation Fieldbus (FF) [4] por apredestacam-sentarem duas caracter´ısticas particulares e decisivas. Uma delas é a padroniza¸cão da camada de aplica¸cão, que é dividida em blocos contendo funcionalidades espec´ıficas. E a segunda, como conseqüência da primeira somada à possibilidade de processamento distribu´ıdo (os dispositivos FF são providos de processador e memória e são capazes de executar seus próprios algoritmos de controle), é a flexibilidade que a arquitetura permite ao engenheiro de automa¸cão desenvolver sua estratégia de controle.

A padroniza¸cão é de extrema importância em uma funda¸cão onde estão filiadas dezenas de empresas, com interesse em produzir tecnologia compat´ıvel entre si. Ela garante a interoperabilidade entre os produtos das várias empresas associadas, além de abrir a possibilidade de escolha, por parte dos clientes, dentre dispositivos de vários fabricantes, sem sair da tecnologia FF.

Os blocos funcionais, correspondentes à camada de aplica¸cão na tecnologia FF, têm um papel de grande importância no sucesso da interoperabilidade. Essa solu¸cão simplifica o desenvolvimento de funcionalidades por permitir implementa¸cões independentes, encapsuladas, que apresentam uma interface bem definida com o resto do ambiente, o que permite uma fácil integra¸cão de novas funcionalidades às já existentes.

Atualmente, existem blocos funcionais que implementam diversos algoritmos no ambiente FF, alguns de extrema utilidade no mundo da automa¸cão industrial, como mostrados no Cap´ıtulo 2. Porém, com o constante avan¸co da ciência, algoritmos mais inteligentes e ferramentas matemáticas capazes de refor¸car as atividades do

(16)

1.1.4 Software Sensors

Software sensors ou sensores de software [10] nada mais são do que algoritmos computacionais utilizados para fazer medi¸cão indireta. Desse modo, eles “substituem” um ou vários sensores f´ısicos, pois são capazes de inferir valores a partir de medidas de outros sensores. Um exemplo t´ıpico de sensores de software

pode ser visualizado na Figura 1.1, onde s˜ao fornecidas vari´aveis de entrada para o algoritmo e por sua vez, ele fornece como sa´ıda, a grandeza que se deseja medir.

Figura 1.1: Esquema de um software sensor.

Umas das ferramentas matem´aticas mais utilizadas na implementa¸c˜ao de

software sensor são as redes neurais artificiais, pela capacidade de aprendizado e generaliza¸cão de fun¸cões não-lineares [10].

1.1.5 Motiva¸

c˜

ao e Objetivos do Trabalho

Este trabalho é fruto do projeto REDE10/06, que por sua vez, teve como proposta inicial, a investiga¸cão das técnicas de auto-calibra¸cão, auto-valida¸cão e auto-compensa¸cão de sensores de campo FF [17]. De acordo com o projeto, essas técnicas seriam implementadas através de técnicas de inteligência computacional, mais especificamente, redes neurais artificiais. A primeira abordagem para possibilitar essas funcionalidades, foi um poss´ıvel desenvolvimento de um bloco funcional padrão FF que implementasse algoritmos de redes neurais artificiais [6]. Porém, os custos elevados do ambiente de desenvolvimento tornaram essa alternativa inviável.

(17)

• Torna a solu¸c˜ao universal entre os equipamentos que seguem a especifica¸c˜ao FF.

• Diminui custos, visto que todos os blocos funcionais utilizados na solu¸cão já estão implementados.

• Mat´em a interoperabilidade, j´a que dispositivos de todos os fabricantes podem ter implementados os blocos padronizados.

Além destas, uma outra possibilidade é de se implementar técnicas inteligentes em sistemas já em funcionamento sem ter que inserir nenhum componente externo. O sucesso desta abordagem torna, ainda, poss´ıvel outras possibilidades não propostas pelo projeto, tais como:

• Filtragem de sinais [8];

• Constru¸c˜ao de software sensors;

• Detec¸c˜ao de falhas [22];

• Controle inteligente.

Todas elas podendo ser implementadas diretamente nos dispositivos de campo.

1.2 Estrutura da Disserta¸

c˜

ao

O restante da disserta¸cão está dividida da seguinte maneir: no Cap´ıtulo 2, é apresentada uma visão geral sobre as redes industriais padronizadas pela Fieldbus Foundation, detalhando-se o funcionamento do protocolo de comunica¸cão utilizado entre os dispositivos de campo, enfatizando-se a camada de aplica¸cão com o usuário.

No Cap´ıtulo 3, aborda-se as redes neurais artificiais, dando uma visão geral das arquiteturas existentes e de suas aplica¸cões. Dá-se ênfase a arquitetura Multi Layer Perceptron (MLP) e ao algoritmo de treinamento Backpropagation, que são utilizados neste trabalho.

(18)

Foundation Fieldbus

2.1 Desenvolvimento Hist´

orico

Em 1992 um grupo internacional, o ISP - Interoperable System Project -foi fundado com a inten¸cão de criar um padrão internacionalmente uniforme de redes de campo para ser usado em áreas classificadas1_. _{Ao mesmo tempo, os}

fabricantes e usu´arios da FIP (Flux Information Processus), conhecida anteriormente como Factory Instrumentation Protocol, estabeleceram a organiza¸c˜ao internacional

WorldFIP [3]. Juntamente com a FIP North America, eles se tornaram uma forte concorrente ao cons´orcio ISP.

Em 1994, por razões técnicas, econômicas e pol´ıticas, a ISP e a WorldFIP se juntaram para formar a Fieldbus Foundation. A Fieldbus Foundation é uma organiza¸cão independente que não visa o lucro e cujo propósito é desenvolver e manter um padrão internacionalmente uniforme de redes de campo para automa¸cão de processos: oFoundation Fieldbus[4]. Os membros incluem usuários e fabricantes dos dispositivos de campo e dos sistemas de automa¸cão. O objetivo da Fieldbus Foudation foi, e ainda é, criar um padrão simples, universal, de redes de campo para áreas classificadas e que foi amplamente difundido como rede de campo padronizada pelo IEC (International Engineering Consortium). O mesmo objetivo foi perseguido pela organiza¸cão PROFIBUS [2] com sua rede de campo PROFIBUS PA. Enquanto a Profibus PA tem suas ra´ızes e é amplamente usada na Europa, a comunidade

Foundation Fieldbus é concentrada predominantemente na América e Ásia [4].

1_{Entenda-se como ´areas classificadas, ambientes de ind´}_{ustrias qu´ımicas que apresentam gases}

inflam´aveis e substˆancias corrosivas, por exemplo.

(19)

A Fieldbus Foundation utiliza alguns elementos da FIP para a especifica¸cão do padrão Foundation Fieldbus (FF), e também - assim como a Profibus PA - alguns detalhes da especifica¸cão ISP. Essa é a justificativa de o projeto do barramento f´ısico ser o mesmo para os dois sistemas. A interface de dispositivos para aplica¸cão, a qual é baseada em blocos funcionais, exibe muitas caracter´ısticas comuns. Isso é pelo fato de os dois sistemas terem as mesmas ambi¸cões. De qualquer forma, quando vistos mais de perto e comparando os dois sistemas, pode-se notar que existem grandes diferen¸cas entre eles.

O Foundation Fieldbus é um padrão aberto que possibilita dispositivos de diferentes fabricantes serem integrados em um único sistema (interoperabilidade). Isto é poss´ıvel apenas quando todos os dispositivos seguem exatamente a especifica¸cão. Os dispositivos aprovados pelaFieldbus Foundation são uma garantia para o usuário e o fabricante que eles seguem a especifica¸cão, e possuem a logomarca da funda¸cão (Figura 2.1).

Figura 2.1: Logomarca dos membros da Fieldbus Foundation.

2.2 Caracter´ısticas de Desempenho

A Foundation Fieldbus provˆe uma vasta gama de servi¸cos e fun¸c˜oes, como por exemplo:

• seguran¸ca intr´ıseca para ´areas de risco;

(20)

• capacidade de comunica¸c˜ao multi-mestre;

• comportamento dinˆamico determin´ıstico;

• transferˆencia de dados distribu´ıda (DDT);

• modelo de blocos padronizado para interfaceamento uniforme dos dispositivos (interoperabilidade, intercambialidade) e

• op¸c˜oes de extens˜oes flex´ıveis baseada em descritores de dispositivo (DD).

Para a descri¸cão das fun¸cões de um dispositivo e para a defini¸cão de um acesso uniforme aos dados, a Foundation Fieldbus contém blocos de fun¸cões pré-definidos. Os blocos funcionais implementados em um dispositivo fornecem informa¸cões sobre as tarefas que o dispositivo pode executar. Sensores tipicamente incluem as seguintes fun¸cões:

‘Analog Input’ (Entrada Anal´ogica) e ‘Discrete Input’ (Entrada Digital)

Atuadores usualmente cont´em os seguintes blocos funcionais:

‘Analog Output’ (Sa´ıda Anal´ogica) e ‘Discrete Output’ (Sa´ıda Digital)

Os seguintes blocos foram projetados para controle de processos:

‘Proportional/Derivative’ (Controlador PD) e ‘Proportional/Integral/Derivative’ (Controlador PID)

A mudan¸ca para o paradigma de automa¸cão de processos em rede - desde o n´ıvel da automa¸cão até o n´ıvel de campo - resulta em uma abordagem flex´ıvel e com processamento distribu´ıdo. Isso diminui a carga em uma esta¸cão de controle de processos centralizada, a qual pode ser substitu´ıda inteiramente por instala¸cões de pequena escala. Assim, uma malha de controle inteira pode ser implementada com pequenas unidades, consistindo apenas de um sensor e um atuador com um controlador de processos integrado se comunicando através da rede Foundation Fieldbus, como pode ser visto na Figura 2.2.

2.3 Modelo de Comunica¸

c˜

ao em Camadas

(21)

Figura 2.2: Malha de controle baseada na tecnologiaFoundation Fieldbus [4].

alimenta¸cão dos dispositivos pode usar o mesmo cabo onde trafegam os dados. A camada de comunica¸cão é composta por três subcamadas: a subcamada inferior de enlace de dados (responsável pelo acesso ao meio f´ısico e controle de erro); a subcamada intermediária de acesso a servi¸cos fieldbus - Fieldbus Access Sublayer

(FAS) - e a subcamada superior de montagem de mensagens - Fieldbus Message Specification (FMS). A camada de aplica¸cão do usuário garante a interoperabilidade entre os dispositivos, sendo padronizada e completamente especificada. Nas próximas sessões, essas três camadas FF serão abordadas com mais detalhes.

2.3.1 Camada F´ısica

A IEC fieldbus, resolveu o problema de comunica¸c˜ao usando dois sistemas de barramento, o lento, intrisicamente seguro, H1, e o r´apido, H2, barramento de alto n´ıvel com velocidade de 1 a 2,5 MBit/s [4].

(22)

Figura 2.3: Modelo de comunica¸c˜ao em camadas.

Figura 2.4: Estrutura f´ısica do barramento de comunica¸c˜ao daFoundation Fieldbus

[4].

Barramento H1

(23)

A especifica¸c˜ao do barramento H1 ´e baseado na IEC 61158-2, que possui as seguintes caracter´ısticas [4]:

• Codifica¸cão Manchester para a transferência de dados com velocidade de transferência de 31,25 kBit/s.

• Para realizar a comunica¸cão é necessário que o dispositivo tenha tensão o suficiente. Cada dispositivo deve ter no m´ınimo 9 volts. Para ter certeza que este requisito está satisfeito, ferramentas de software estão dispon´ıveis para calcular as correntes resultantes e as tensões nos terminais baseando-se na topologia da rede, resistência na linha e a tensão da fonte.

• O padr˜ao H1 permite que os dispositivos sejam alimentados pelo pr´oprio

barramento. A fonte de alimenta¸cão é conectada ao barramento da mesma maneira que um dispositivo de campo. Dispositivos que não são alimentados pelo barramento devem ser adicionalmente conectados a suas próprias fontes de alimenta¸cão.

• Quando o barramento H1 alimenta os dispositivos, deve-se ter certeza que o consumo da energia necess´aria para isso seja menor que a energia disponibilizada pela fonte de alimenta¸c˜ao.

• As topologias utilizadas são geralmente em linha ou, quando equipadas com caixas de jun¸cão (JB), podem ser em estrela ou em árvore, ou até uma combina¸cão destas. Os dispositivos são melhor conectados com conectores em “T” que possibilitam conexões e desconexões de dispositivos sem interromper a comunica¸cão (Figura 2.5).

• O tamanho máximo de um ramo do barramento é limitado em 120 metros e também depende no número de ramos usados e do número de dispositivos por ramo (Tabela 2.1).

Tabela 2.1: Tamanho m´aximo dos ramos H1[4]. N´umero de

dispositivos 1 dispositivo por ramo 2 dispositivos por ramo 3 dispositivos por ramo 4 dispositivos por ramo

25-32 1 m 1 m 1 m 1 m

19-24 30 m 1 m 1 m 1 m

15-18 60 m 30 m 1 m 1 m

13-14 90 m 60 m 30 m 1 m

(24)

Figura 2.5: Topologia mista em uma rede H1.

• Sem repetidores, o tamanho de um segmento H1 pode chegar até 1900 metros. Porém, pode-se usar até 4 repetidores, o que dá para interligar 5 segmentos H1 contendo 1900 metros cada, o que totaliza 9500 metros. Todos os ramos são inclusos nos cálculos do tamanho total.

• O número de dispositivos por segmento é limitado em 32 em áreas intrisicamente seguras. Em áreas de risco esse número é reduzido por causa das limita¸cões de fonte de energia e dependem do n´ıvel de seguran¸ca exigido.

• V´arios tipos de cabo podem ser usados como barramento H1 (Tabela 2.2). O cabo tipo A ´e o mais recomendado e apenas com ele o tamanho do segmento pode chegar a 1900 metros.

Tabela 2.2: Cabos fieldbus e seus respectivos tamanhos m´aximos[4]. Tipo A Tipo B Tipo C Tipo D Descri¸c˜ao par tran¸cado

blindado par simples ou multi tran¸cado blindado par multi tran¸cado sem blindagem par n˜ao tran¸cado sem blindagem, multi n´ucleo ´

Area da sec¸c˜ao

0.8mm2

(AWG 18)

0.32mm2

(AWG 22)

0.13mm2

(AWG 26)

1.25mm2

(AWG 16) Comprimento

m´aximo incluindo ramos

(25)

• E necess´ario ter dois terminadores por segmento, sempre nas pontas da linha´ de transmiss˜ao.

• Não é necessário que os cabos sejam blindados, porém, é recomendado a fim de se evitar interferências e para melhor desempenho do sistema.

O Barramento High Speed Ethernet (HSE)

O HSE é baseado na tecnologia padrão Ethernet. Os componentes utilizados são amplamente difundidos e encontrados por baixos custos. O HSE funciona a 100 MBit/s e além dos fios elétricos também podem ser usados cabos de fibra óptica como meio de transmissão.

OEthernet opera usando o algoritmo aleatório (não determin´ıstico) CSMA-CD para acesso ao barramento. Esse método só pode ser usado em algumas aplica¸cões de automa¸cão, pois na maioria dos casos, elas exigem capacidade de tempo-real. A taxa de transmissão extremamente alta permite ao barramento responder suficientemente rápido quando sua carga está baixa, com poucos dispositivos [21].

Se a carga no barramento precisar ser reduzida em conseqüência dos muitos dispositivos conectados, ou se a inten¸cão é juntar vários segmentos HSE em uma única grande rede, então, deve-se usar equipamentos chamados de Ethernet Switches. UmSwitch lê o endere¸co de destino dos pacotes que devem ser repassados e redireciona-os para o segmento de rede correto. Dessa maneira, a carga do barramento e o tempo de acesso podem ser manipulados de acordo com as necessidades.

Em rela¸cão às exigências da automa¸cão industrial, caracter´ısticas de tempo real são necessárias para controle de processos, enquanto que para atividades de supervisão, em muitos casos, podem ser usados sistemas não determin´ısticos [15].

(26)

2.3.2 Pilha de Comunica¸

c˜

ao

Os dispositivos de campo Foundation Fieldbus são capazes de assumir fun¸cões de controle de processos. Essa op¸cão é baseada na comunica¸cão distribu´ıda, o que garante que:

• cada dispositivo de campo possa trocar informa¸c˜oes com outros instrumentos da rede;

• a execu¸cão das diversas malhas de controle (independentes) não se influenciam em rela¸cão a tempo, e

• dois ou mais dispositivos nunca acessam o barramento simultaneamente.

Para garantir esses requisitos, o H1 da Foundation Fieldbus usa um sistema de controle de comunica¸c˜ao central: oLink Active Scheduler (LAS).

O LAS controla e organiza a comunica¸c˜ao sobre o barramento. Ele controla as atividades do barramento usando diferentes comandos, que s˜ao enviados via

broadcast para os dispositivos. Pelo fato do LAS estar sempre procurando endere¸cos de dispositivos não associados, é poss´ıvel conectar novos dispositivos durante a opera¸cão e integrá-los à comunica¸cão do barramento.

Dispositivos que têm a capacidade de se tornar LAS são chamados de Link Master, enquanto que dispositivos básicos não têm essa capacidade. Assim, em um sistema redundante contendo vários Link Masters, um deles poderá se tornar LAS se o LAS ativo falhar.

Os servi¸cos de comunica¸cão Foundation Fieldbus utilizam transmissões de dados agendados (s´ıncronos) e não agendados (ass´ıncronos). Tarefas de tempo cr´ıtico, como o controle de uma variável de processo, são exclusivamente executadas por servi¸cos agendados, por outro lado, a parametriza¸cão e as fun¸cões de diagnóstico utilizam os servi¸cos de comunica¸cão não agendados.

Transmiss˜ao de dados agendada (s´ıncrona)

(27)

O LAS periodicamente difunde (através debroadcast) um sinal de sincroniza¸cão (TD:Time Distribution) na rede para que todos os dispositivos tenham exatamente o mesmo tempo como referência. Em transmissões agendadas, o tempo e a seqüência são exatamente definidos dentro de um macro-ciclo. Por isso, ele é dito um sistema determin´ıstico.

A Tabela 2.3 representa um exemplo de agendamento de um sistema com dois sensores e dois controladores de válvula. O agendamento determina quando os dispositivos irão executar seus blocos funcionais (AI, AO, PID) e quando eles vão transmitir dados.

Tabela 2.3: Lista de transmissão s´ıncrona. Dispositivo Tipo A¸cão Offset

1 sensor execu¸cão AI(1) 0 1 sensor transmissão AI(1) 20 2 sensor execu¸cão AI(2) 0 2 sensor transmissão AI(2) 30 3 Atuador execu¸cão PID(3) 40 3 Atuador execu¸cão AO(3) 62

Cada atividade a ser executada é agendada para um certo tempo. Esse tempo é definido por um valor de offset, o qual reflete o atraso em rela¸cão ao come¸co do ciclo de execu¸cão.

Baseado nesse agendamento, uma lista de transmissão é gerada definindo quando um dispositivo de campo espec´ıfico estará apto a enviar seus dados. Ao receber a mensagem, o respectivo dispositivo (publisher) transmite embroadcast a informa¸cão que estava em seu buffer para todos os dispositivos da rede que estão configurados para receber os dados (subscriber). Esse tipo de transmissão de dados é conhecido comopublisher-subscriber.

O LAS ciclicamente envia os dados de acordo com a lista para todos osbuffers de dados em todos os dispositivos. Cada ciclo de transmissão de dados é explicitamente ativado pelo LAS e é conhecido como macro-ciclo (Figura 2.6). O LAS utiliza o seguinte procedimento:

(28)

dispositivo.

• Assim que o dispositivo recebe o CD, ele publica os dados do seu buﬀer na rede.

• Os subscribers dessa mensagem (como por exemplo, o dispositivo “c”, que ´e um controlador de v´alvula) podem ler e avaliar esses dados.

Figura 2.6: Comunica¸c˜ao s´ıncrona baseada na lista de transmiss˜ao [4].

Cada dispositivo de campo recebe um agendamento separadamente. Isso permite ao sistema de gerenciamento saber exatamente qual tarefa é para ser executada e quando deve-se receber ou enviar dados. Por exemplo, para o ciclo mencionado anteriormente, a seqüencia de a¸cões no tempo está ilustrada na Figura 2.7 e descrita a seguir:

• No tempo zero, os sensores (1) e (2) come¸cam a fazer suas medidas.

• No tempo 20, o LAS permite ao sensor (1) que ele publique suas medidas para que o PID do controlador de v´alvula (3) possa recebˆe-las.

• No tempo 30, o LAS permite ao sensor (2) que ele publique seus dados para que o PID do controlador de v´alvula (4) possa lˆe-los.

• No tempo 40, os dois controladores de v´alvula processam seus blocos funcionais PID.

• No tempo 57 o controlador de v´alvula (4) come¸ca seu processo de atua¸c˜ao.

(29)

Figura 2.7: Transmiss˜ao s´ıncrona e comunica¸c˜ao ass´ıncrona[4].

• No tempo 140, todo o ciclo ´e repetido.

Cada malha de controle acessa o barramento apenas uma vez em um intervalo pequeno de tempo. Porém, o barramento pode ser usado por muitas outras malhas de controle, e também para outras atividades. Isso mostra que a estratégia de controle distribu´ıdo reduz drasticamente o número de transmissões de dados sobre o barramento.

Transmiss˜ao de dados n˜ao agendada (ass´ıncrona)

Parâmetros de dispositivos e dados de diagnóstico podem ser transmitidos quando requisitados. A transmissão desses dados não é cr´ıtica em rela¸cão ao tempo. Para esse tipo de comunica¸cão aFoundation Fieldbusprovê a transmissão ass´ıncrona (não agendada).

(30)

intervalo (ver Figura 2.7).

A permissão para um certo dispositivo usar o barramento é garantida pelo LAS quando ele passa um comando PT (pass token) ao dispositivo. O PT é enviado a todos os dispositivos que entraram naLive List (Figura 2.8), a qual é administrada pelo LAS. Cada dispositivo pode usar o barramento até que retorne otoken ou até que o máximo de tempo garantido seja atingido.

A Live List é constantemente atualizada pelo LAS. Este, envia um comando especial, o Probe Node (PN), para os endere¸cos que não estão na Live List, procurando por dispositivos recém adicionados. Se um dispositivo retornar um

Probe Response (PR), o LAS adiciona esse dispositivo à Live List e ele passará a receber o PT para comunica¸cão ass´ıncrona de acordo com a ordem de entrada na

Live List. Dispositivos que n˜ao responderem ao comando PT ou retornar o token

depois de trˆes tentativas sucessivas s˜ao removidos da Live List.

Figura 2.8: Transmiss˜ao ass´ıncrona comtoken[4].

(31)

Agendamento da Comunica¸c˜ao

O LAS segue um agendamento estrito (Figura 2.9) para garantir que a comunica¸cão ass´ıncrona usando o token assim como os comandos TD ou PN não interfiram na comunica¸cão s´ıncrona.

Antes de cada opera¸cão, o LAS consulta a lista de transmissão para checar por alguma transmissão agendada. Se for o caso, ele espera (modo idle) por, precisamente, o tempo agendado e então envia o comando Compel Data (CD) para ativar a opera¸cão.

No caso de não haver comunica¸cões agendadas e existir tempo dispon´ıvel para opera¸cões extras, o LAS envia um dos comandos a seguir: O PN, para procurar por novos dispositivos; um comando TD para que todos os dispositivos estejam exatamente no mesmo tempo; ou o comando PT para passar otokenda comunica¸cão ass´ıncrona. Esse ciclo fica se repetindo, come¸cando sempre pela checagem na lista de transmissão.

Figura 2.9: Controle de comunica¸c˜ao pelo LAS [4].

(32)

2.3.3 Camada de Aplica¸

c˜

ao

Uma caracter´ıstica importante para um sistema de redes de campo ser aceito no mercado é a interoperabilidade dos dispositivos. Interoperabilidade é a capacidade de dispositivos de diferentes fabricantes se comunicarem entre si. Adicionalmente, deve-se garantir que um dispositivo de um fabricante qualquer possa ser substitu´ıdo por um de outro fabricante, o que é chamado de intercambialidade.

Isso requer uma especifica¸cão aberta de um protocolo que defina fun¸cões uniformes de dispositivos e interfaces para aplica¸cão. Para que outros dispositivos da rede esoftwares aplicativos possam usar essas interfaces para acessar as fun¸cões e os parâmetros dos dispositivos de campo. AFoundation Fieldbus implementa esses conceitos baseando-se em blocos e descritores de dispositivos.

Modelo de Blocos

A Foundation Fieldbus associa todas as fun¸cões e dados dos dispositivos a três tipos de blocos (Figura 2.10), cuja associa¸cão depende do tipo do dispositivo. Dependendo da funcionalidade do dispositivo, ele pode ser descrito da seguinte maneira:

• bloco de recurso (Resource Block);

• um ou m´ultiplos blocos funcionais e

• v´arios blocos transdutores, se necess´ario.

O bloco de recurso descreve caracter´ısticas de um dispositivo, como o nome, o fabricante, o n´umero serial, as vers˜oes do hardware e firmware, etc.

Os blocos funcionais descrevem as funcionalidades do dispositivo e definem como elas podem ser acessadas. Cada bloco tem um objetivo além de suas próprias entradas e sa´ıdas. Cada dispositivo é equipado com pelo menos um bloco funcional.

A especifica¸cão FF define conjuntos de blocos padrão que podem ser usados para descrever as funcionalidades básicas. Eles estão listados na Tabela 2.4.

(33)

Figura 2.10: Divis˜ao do dispositivo de campo em blocos[4].

Tabela 2.4: Blocos funcionais t´ıpicos. Sigla Descri¸c˜ao do bloco

AI Analog Input (entrada anal´ogica) AO Analog Output (sa´ıda anal´ogica)

B Bias (bias)

CS Control Selector (seletor de controle) DI Discrete Input (entrada discreta) DO Discrete Output (sa´ıda discreta) ML Manual Loader (carregador manual)

PD Proportional/Derivative (proporcional/derivativo)

PID Proportional/Integral/Derivative (proporcional/integral/derivativo) RA Ratio (taxa)

funcionais. Eles podem ser usados para calibrar, deslocar medidas, posicionar dados, linearizar caracter´ısticas e converter unidades f´ısicas.

Ao lado dos três tipos de blocos, os seguintes objetos também são definidos no modelo de blocos:

• Link Objects (liga¸cões entre objetos) - definem as liga¸cão entre os blocos funcionais, sendo essas internas em um dispositivo ou através da rede.

• Alert Objects (objetos de alerta) - permitem reportar alarmes e eventos na rede.

(34)

de blocos funcionais para acesso e an´alise a partir de sistemas de ato n´ıvel.

• View Objects (objetos de visualiza¸cão) - são grupos predefinidos de dados e parâmetros de blocos que podem ser usados para ver e mostrá-los rapidamente de acordo com suas tarefas: controle de processos, configura¸cão, manuten¸cão, informa¸cões adicionais, etc.

Descri¸c˜oes de Dispositivos

Durante a inicializa¸cão ou no gerenciamento, um sistema de comunica¸cão aberto deve garantir que computadores de alto n´ıvel (supervisão) possam acessar todos os dados dos dispositivos de campo e ter o próprio controle de como fazer isso.

As descri¸cões de dispositivos (DDs) contêm a informa¸cão necessária para preencher esses requisitos. Elas fornecem a informa¸cão necessária para entender o significado dos dados e apresentá-los ao operador [11].

Para as fun¸cões básicas dos dispositivos, a Foundation Fieldbus usa diferentes blocos funcionais e blocos transdutores. Por isso, diferentes DDs estão dispon´ıveis e podem ser obtidos a partir da Fieldbus Foundation. Dispositivos FF podem interpretar e mostrar os dados e fun¸cões desses blocos padronizados, assim como apresentá-los ao usuário através de uma interface de opera¸cão.

Se um fabricante implementa fun¸cões e parâmetros extras em um dispositivo, ele deve definir o conteúdo, o acesso e a representa¸cão em uma descri¸cão de dispositivo completa (estendida). Somente com o DD completo o dispositivo pode ser operado e aplicado por inteiro.

As descri¸cões de dispositivos são escritas usando aDevice Description Language - DDL (Linguagem de Descri¸cão de Dispositivos) em forma de arquivo texto. Este arquivo é, então, convertido com a ajuda de um ‘Tokenizer’ e distribu´ıdo via Internet. Se o fabricante registrou o seu dispositivo e seu respectivo DD à FF, então o DD pode ser obtido também, a partir daFieldbus Foundation.

Gerenciamento do Sistema

O sistema de gerenciamento de cada dispositivo tem as seguintes fun¸c˜oes:

(35)

transmiss˜ao s´ıncrona predefinida e

• processamento c´ıclico da lista de transmiss˜ao (apenas LAS), dentro do agendamento de tempo predefinido.

As atividades de responsabilidade do sistema de gerenciamento s˜ao:

• associa¸cão automática da fun¸cão de LAS a outro dispositivo Link Master, se o LAS ativo falhar;

• sincroniza¸c˜ao doclock e

• endere¸camento autom´atico associado a cada novo dispositivo adicionado a rede.

O endere¸camento autom´atico permite a um dispositivo ser associado a apenas um endere¸co enquanto o processo estiver ativo.

Para o software que controla o endere¸camento automático, existem endere¸cos especiais reservados onde os novos dispositivos podem ser acessados. Depois que um novo e único endere¸co for associado ao novo dispositivo, ele é integrado na rede de comunica¸cão e o endere¸co especial pode ser dispon´ıvel novamente para a utiliza¸cão em outros dispositivos.

Configura¸c˜ao do Sistema

Todos os dispositivos de campo devem ser parametrizados antes da primeira inicializa¸cão. Os DDs de todos os dispositivos usados devem entrar na configura¸cão do dispositivo. O software deve ser capaz de acessar os DDs a partir de uma biblioteca predefinida, ou carregá-las a partir de fontes externas como drives de disquete, por exemplo.

(36)

A Figura 2.11 ilustra um exemplo de controle usando blocos funcionais onde o valor da sa´ıda do sensor é conectado a um bloco funcional PID. Esse bloco pode ser implementado, por exemplo, em um controlador de válvula posicionadora. A sa´ıda do bloco PID é ligada ao bloco AO (sa´ıda analógica) do mesmo dispositivo, o que significa que esse dado não é transmitido pela rede.

Figura 2.11: Conex˜ao de blocos funcionais [4].

Além da interconexão dos blocos funcionais, o software configurador também define o tamanho do ciclo de execu¸cão. Baseado nesses dados e no diagrama da rede, a ferramenta de configura¸cão gera a informa¸cão necessária para controlar os dispositivos e a comunica¸cão.

Finalmente, os dados são introduzidos em cada dispositivo de campo. Durante este processo, o LAS é configurado e todos os Link Masters recebem a atual lista de transmissão para comunica¸cão s´ıncrona.

(37)

Redes Neurais Artificiais

O desenvolvimento das redes neurais artificiais, desde o seu surgimento, vem sendo impulsionado pelo fato de que o cérebro humano processa informa¸cões de maneira diferente de um computador digital convencional. O cérebro pode ser visto como um computador extremamente complexo, não-linear e paralelo. Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurônios, de forma a realizar seus processamentos de maneira muito eficiente.

Na sua forma mais geral, uma rede neural artificial é um modelo matemático constru´ıdo para tentar modelar a maneira como o cérebro realiza uma tarefa particular ou fun¸cões de interesse; essa rede é geralmente implementada a partir de componentes eletrônicos ou simulada através da programa¸cão em um computador digital. Para alcan¸carem um bom desempenho, as redes neurais empregam uma interliga¸cão maci¸ca de células computacionais simples, denominadas neurônios.

Ent˜ao, pode-se definir uma rede neural como[13]:

“Um processador composto de unidades de processamentos simples, distribu´ıdas e paralelas, que têm a propensão natural para armazenar conhecimento experimental e torná-lo dispon´ıvel para o uso. Ela se parece com o cérebro em dois aspectos:

1. O conhecimento ´e adquirido pela rede a partir de seu ambiente atrav´es de um processo de aprendizagem.

2. For¸cas de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido”.

O procedimento utilizado para realizar o processo de aprendizegem ´e chamado

(38)

de algoritmo de aprendizagem, cuja fun¸cão é alterar os pesos sinápticos da rede de forma a alcan¸car um objetivo desejado.

3.1 Propriedades das Redes Neurais

Existem duas caracter´ısticas destacáveis nas redes neurais. Primeiro, sua estrutura paralela e distribu´ıda. Segundo, sua habilidade de aprender e consequentemente de generalizar. A generaliza¸cão refere-se ao fato de uma rede neural produzir sa´ıdas adequadas para entradas que não fizeram parte do conjunto de treinamento (aprendizagem). Essas duas propriedades de processamento de informa¸cão tornam poss´ıvel para as redes neurais tratarem de forma vantajosa problemas complexos (de grande escala), quando comparadas com abordagens tradicionais [7] que são atualmente intratáveis. Outras propriedades das redes neurais são enumeradas a seguir [13]:

1. Não-linearidade: Uma rede neural formada por neurônios não-lineares permite efetuar relacionamentos não-lineares entre entradas e sa´ıdas.

2. Mapeamento de entrada-sa´ıda: a aprendizagem supervisionada, ou aprendizagem com um “professor” envolve a modifica¸cão dos pesos sinápticos de uma rede neural pela aplica¸cão de um conjunto de amostras de treinamento rotuladas ou exemplos da tarefa. Cada exemplo consiste de um sinal de entrada único e de uma resposta desejada correspondente. Apresenta-se para a rede um exemplo escolhido ao acaso do conjunto, e os pesos sinápticos (parâmetros livres) da rede são modificados para minimizar a diferen¸ca entre a resposta desejada e a resposta real da rede, produzida pelo sinal de entrada, de acordo com um critério estat´ıstico apropriado. O treinamento da rede é repetido por muitos exemplos do conjunto até que a rede alcance um estado estável onde não haja mais modifica¸cões significativas nos pesos sinápticos. Os exemplos de treinamento previamente aplicados podem ser reaplicados durante a sessão de treinamento, mas em uma ordem diferente. Assim, a rede aprende dos exemplos ao construir um mapeamento entrada-sa´ıda para o problema considerado.

(39)

neural treinada para atuar em um ambiente espec´ıfico pode ser facilmente retreinada para lidar com pequenas modifica¸cões nas condi¸cões operativas do ambiente. Além disso quando está operando em um ambiente não estacionário, uma rede neural pode ser projetada para modificar seus pesos sinápticos em tempo real.

4. Resposta a evidências: no contexto da classifica¸cão de padrões, uma rede neural pode ser projetada para fornecer informa¸cão não somente sobre qual padrão particular selecionar, mas também sobre a confian¸ca ou cren¸ca na decisão tomada. Esta informa¸cão pode ser utilizada para rejeitar padrões amb´ıguos, caso eles estejam presentes, e com isso melhorar o desempenho de classifica¸cão da rede.

5. Tolerˆancia a falhas: uma rede neural, implementada na forma f´ısica (em

hardware) é inerentemente tolerante a falhas, ou capaz de realizar computa¸cão robusta, no sentido de que seu desempenho se degrada suavemente sob condi¸cões de opera¸cão adversas. Se um neurônio ou suas conexões são danificados, por exemplo, a recupera¸cão de um padrão armazenado é prejudicada em qualidade. Contudo, devido a natureza distribu´ıda da informa¸cão armazenada na rede, o dano deve ser extenso para que a resposta global da rede seja degradada seriamente. O que deve ser observado nessas condi¸cões, é uma degrada¸cão suave do desempenho em vez de uma falha seriamente comprometedora.

3.2 Modelos de um Neurˆ

onio

Um neurônio é uma unidade básica de processamento de informa¸cão que é fundamental para o funcionamento de uma rede neural. A Figura 3.1 mostra o modelo de um neurônio, conhecido como modelo de McCulloch-Pitts, que forma a base para os projetos de redes neurais artificiais [7]. Identifica-se três elementos básicos neste modelo neuronal.

1. Um conjunto de sinapses ou elos de conex˜ao, cada uma caracterizada por um peso ou for¸ca pr´opria. Especificamente, um sinal xj na entrada da sinapse

j conectada ao neurˆonio k ´e multiplicado pelo peso sinaptico wkj. Onde o

(40)

Figura 3.1: Modelo de um neurˆonio artificial.

segundo se refere ao terminal de entrada da sinapse `a qual o peso se refere. 2. Um combinador linear, para somar os sinais de entrada, ponderados pelas

respectivas sinapses do neurˆonio.

3. Uma fun¸cão de ativa¸cão para associar o sinal resultante do combinador linear, conhecido como potencial de ativa¸cão, a um valor de sa´ıda, podendo aplicar não linearidade ou restri¸cão. A fun¸cão de ativa¸cão é também definida como fun¸cão restritiva, já que pode restringir (limitar) o intervalo permiss´ıvel de amplitude do sinal de sa´ıda a um valor finito. Geralmente essa limita¸cão fica entre [0, 1] ou [-1, 1], por questão de normaliza¸cão da informa¸cão [7][13].

O modelo neuronal mostrado na Figura 3.1 inclui tamb´em um sinal de bias

aplicado externamente, representado por bk. Obias bk tem o efeito de aumentar ou

diminuir a entrada l´ıquida da fun¸cão de ativa¸cão, dependendo se ele é negativo ou positivo, respectivamente.

Em termos matemáticos pode-se descrever um neurônio k escrevendo o seguinte par de equa¸cões:

uk = m

j=1

wkjxj (3.1)

e

(41)

onde x1, x2, ..., xm s˜ao os sinais de entrada; wk1, wk2, ..., wkm s˜ao os pesos

sinápticos do neurônio k; uk é a sa´ıda do combinador linear devido aos sinais de

entrada;bké o bias;ϕ(.) é a fun¸cão de ativa¸cão; eyk é o sinal de sa´ıda do neurônio.

O uso do bias bk tem o efeito de aplicar uma transforma¸c˜ao afim `a sa´ıda uk do

combinador linear do modelo da Figura 3.1, como mostrado a seguir:

vk=uk+bk (3.3)

Dependendo se o sinal debias bk´e positivo ou negativo, a rela¸c˜ao entre o campo

local induzido ou potencial de ativa¸c˜ao vk do neurˆonio k e a sa´ıda do combinador

linearuk´e modificada de forma mostrada na Figura 3.2. Nota-se que como resultado

desta transforma¸cão afim, o gráfico de vk em fun¸cão de uk não passa mais pela

origem.

Figura 3.2: Transforma¸c˜ao afim produzida pela presen¸ca dobias.

O bias bk é um parâmetro externo do neurônio artificial k. Pode-se considerar

a sua presen¸ca como na equa¸cão 3.2. Equivalentemente, pode-se formular a combina¸cão das equa¸cões 3.1 até 3.3 como segue:

vk = m

j=0

wkjxj (3.4)

e

(42)

Na equa¸c˜ao 3.4, adicionou-se mais uma sinapse. A sua entrada ´e

x0 = +1 (3.6)

e o seu peso ´e

wk0 =bk (3.7)

Pode-se, portanto, reformular o modelo do neurôniokcomo na Figura 3.3. Nessa figura, o efeito do bias é levado em conta de duas maneiras: (1) adicionando-se um novo sinal de entrada fixo em +1 e (2) adicionando-se um novo peso sináptico igual ao biasbk. Embora os modelos das Figuras 3.1 e 3.3 sejam aparentemente diferentes,

eles s˜ao matematicamente equivalentes.

Figura 3.3: Representa¸c˜ao alternativa no modelo de um neurˆonio artificial.

3.2.1 Tipos de Fun¸

c˜

ao de Ativa¸

c˜

ao

A fun¸cão de ativa¸cão, representada por ϕ(v), define a sa´ıda de um neurônio em termos do campo local induzido v. Lista-se a seguir três fun¸cões comumente utilizadas como fun¸cão de ativa¸cão.

(43)

ϕ(v) =

1 se v ≥0

0 se v <0 (3.8)

Figura 3.4: Fun¸c˜ao de limiar.

Correspondentemente, a sa´ıda do neurôniokque emprega esta fun¸cão de limiar é expressa como

yk =

1 se vk ≥0

0 se vk <0

(3.9)

ondevké o campo local induzido do neurônio como mostrado na equa¸cão 3.4.

Um neurônio utilizando esta fun¸cão como sua fun¸cão de ativa¸cão é conhecido na literatura como o modelo de McCulloch-Pitts, em reconhecimento ao trabalho pioneiro realizado por McCulloch e Pitts em 1943 [13]. Nesse modelo, a sa´ıda do neurônio assume o valor 1, se o campo local induzido daquele neurônio é não-negativo, e 0 caso contrário. Esta defini¸cão descreve a propriedade tudo-ou-nada do modelo deMcCulloch-Pitts.

2. Fun¸c˜ao Linear por Partes. Para esta fun¸c˜ao, mostrada na Figura 3.5 tem-se

(44)

ϕ(v) =

⎧ ⎨ ⎩

1, v ≥+1 2

v, +1₂ > v >−1

2

0, v ≤ −1₂

(3.10)

onde assume-se que o fator de amplifica¸cão dentro da região linear de opera¸cão é a unidade. Esta forma de fun¸cão de ativa¸cão pode ser vista como uma aproxima¸cão de um amplificador não-linear. As duas situa¸cões seguintes podem se vistas como formas especiais da fun¸cão linear por partes:

• Se a região linear de opera¸cão é mantida sem entrar em satura¸cão, surge um combinador linear.

• A fun¸cão linear por partes se reduz a fun¸cão de limiar, se o fator de amplifica¸cão da região é feito infinitamente grande.

3. Fun¸cão Sigmóide. A fun¸cão sigmóide, cujo gráfico, em forma de “S” é ilustrado na Figura 3.6, é a fun¸cão de ativa¸cão mais comum na constru¸cão de redes neurais artificiais. Ela é definida como uma fun¸cão estritamente crescente que exibe um balanceamento adequado entre comportamento linear e não-linear. Um exemplo de fun¸cão sigmóide é a fun¸cão log´ıstica, definida por

ϕ(v) = 1

1 +exp(−av) (3.11)

Figura 3.6: Fun¸cão sigmóide com parâmetro de inclina¸cão variável.

(45)

fun¸cão sigmóide assume um intervalo cont´ınuo de valores entre 0 e 1. Nota-se também que a fun¸cão sigmóide é infinitamente diferenciável, enquanto que a fun¸cão de limiar não é.

As fun¸cões de ativa¸cão definidas até agora se estendem de 0 a +1. Porém, algumas vezes é desejável que a fun¸cão de ativa¸cão se estenda de -1 a +1, assumindo neste caso uma forma anti-simétrica em rela¸cão a origem; isto é, a fun¸cão de ativa¸cão é uma fun¸cão ´ımpar do campo local induzido. Especificamente, a fun¸cão de limiar, seria agora definida como

ϕ(v) =

⎧ ⎨ ⎩

1 se v >0 0 se v = 0

−1 se v <0

(3.12)

a qual ´e normalmente denominada fun¸c˜ao sinal.

Para a forma correspondente de uma fun¸cão sigmóide pode-se utilizar a fun¸cão tangente hiperbólica, definida por

ϕ(v) = tanh(v) (3.13)

Essa altera¸cão, permitindo-se que a fun¸cão de ativa¸cão do tipo sigmóide assuma valores negativos traz benef´ıcios, como melhora na convergência do algoritmo de treinamento [13].

3.3 Arquiteturas de Redes Neurais

A maneira pela qual os neurônios de uma rede neural estão estruturados está intimamente ligada com o algoritmo de aprendizagem usado para treinar a rede. O presente trabalho não se aprofundará nos tipos de treinamentos existentes, para tal, consultar referências [13].

(46)

3.3.1 Redes Alimentadas Adiante com Camada ´

Unica

Essa arquitetura é um caso particular das redes neurais organizadas em várias camadas, onde é composta pela camada de entrada de dados, seguida de uma única camada de processamento, que calculam e fornecem as sa´ıdas. A Figura 3.7 ilustra uma rede neural de camada única para o caso de quatro nós na camada de entrada. Esta rede é chamada “rede de camada única” referente a apenas uma camada de neurônios de processamento. A nomenclatura não considera a camada de entrada pois ela não realiza nenhuma computa¸cão.

Figura 3.7: Rede alimentada adiante com apenas uma camada de neurˆonios.

3.3.2 Redes

Alimentadas

Diretamente

com

M´

ultiplas

Camadas

(47)

a sa´ıda da rede de uma maneira útil. Adicionando-se uma ou mais camadas ocultas, torna-se a rede capaz de extrair estat´ısticas de ordem elevada. Em um sentido bastante livre, a rede adquire uma perspectiva global, apesar de sua conectividade local, devido ao conjunto extra de conexões sinápticas e da dimensão extra de intera¸cões neurais. A habilidade de os neurônios ocultos extra´ırem estat´ısticas de ordem elevada é particularmente valiosa quando o tamanho da camada de entrada é grande.

Nessa arquitetura, os nós de fonte da camada de entrada da rede fornecem os sinais de entrada aos neurônios (nós computacionais) da primeira camada oculta. Onde, por sua vez, suas sa´ıdas serão usadas como entradas dos neurônios da próxima camada, e assim por diante para o resto da rede. O conjunto de sinais de sa´ıda dos neurônios da última camada constituem a resposta global da rede. A Figura 3.8 mostra o esquema de uma rede neural com uma camada oculta. Esta rede pode ser definida como uma rede 4-4-2 pois apresenta quatro nós de entrada, quatro neurônios na primeira camada de processamento e dois na camada de sa´ıda.

A rede neural descrita na Figura 3.8 é dita totalmente conectada, pelo fato de que cada nó de uma camada está ligado a todos os nós da camada seguinte. De forma análoga, se alguma conexão sináptica estiver faltando na rede, diz-se que a rede é parcialmente conectada.

(48)

3.3.3 Redes Recorrentes

Essa arquitetura de redes neurais se distingue da mostrada anteriormente por ter pelo menos uma la¸co de realimenta¸c˜ao.

A presen¸ca de la¸cos de realimenta¸cão, tem um impacto profundo na capacidade de aprendizagem da rede e no seu desempenho. Além disso, os la¸cos de realimenta¸cão envolvem o uso de ramos particulares compostos de elementos de atraso unitário, o que resulta em um comportamento dinâmico não-linear, admitindo-se que a rede neural contenha unidades não-lineares. Essa rede é ilustrada na Figura 3.9.

Figura 3.9: Rede recorrente sem neurˆonios ocultos.

3.4 Processos de Aprendizagem

(49)

As primeiras se caracterizam pela presen¸ca de um “professor”, que tem conhecimento sobre o ambiente. O conhecimento se encontra na forma de conjuntos de exemplos de entrada-sa´ıda e é através deles que a rede consegue aprender. O processo de aprendizagem é realizado através da altera¸cão dos pesos sinápticos, o que proporciona a diminui¸cão do erro na sa´ıda.

Na aprendizagem não supervisionada, não existe um “professor” para acompanhar o processo, o que significa que não há exemplos rotulados do ambiente a serem aprendidos pela rede. Para mais detalhes sobre este tipo de aprendizagem, consultar referências [13].

Dentre os vários algoritmos de treinamento supervisionado existentes na literatura [16] o algoritmo back propagation, ou, retropropaga¸cão do erro, é o mais utilizado para treinar redes perceptrons de múltiplas camadas, que é a arquitetura de redes neurais implementada neste trabalho.

O procedimento da retropropaga¸cão do erro envolve duas fases. A primeira, ocorre quando as entradas são apresentadas à rede e propagadas adiante até que seja computado um valor de sa´ıda. Esse valor é comparado com a sa´ıda desejada, e então é calculada a diferen¸ca entre esses dois valores, ou, o erro.

(50)

Redes Neurais no Ambiente

Foundation Fieldbus

De acordo com a fundamenta¸cão teórica apresentada até o presente momento e com os objetivos descritos na Se¸cão 1.1.5, a proposta a ser detalhada neste cap´ıtulo é de se implementar as redes neurais artificiais, apresentadas no Cap´ıtulo 3, em ambientes de redes de campo FF (Foundation Fieldbus) fazendo uso apenas de blocos funcionais padronizados pelaFieldbus Foundation.

Essa solu¸cão surgiu da dificuldade de implementa¸cão de um bloco funcional com a capacidade de executar algoritmos de redes neurais, que era a solu¸cão inicial assumida pelo Projeto REDE 10/06 [18]. Dificuldade esta, diretamente ligada aos ambientes de desenvolvimento e testes que envolvem custos bastante elevados, chegando a ser proibitivos.

A solu¸cão aqui abordada, apresenta vantagens no que diz respeito à interoperabilidade, que, como já mencionado, é uma das caracter´ısticas que impulsionam o sucesso das redes de campo, além de ser econômico no ponto de vista do desenvolvimento.

4.1 Detalhamento T´

ecnico

Para a constru¸cão de uma rede neural artificial, são necessários vários neurônios artificiais interligados, formando a arquitetura desejada (a arquitetura implementada neste trabalho é a perceptron de múltiplas camadas, mostrada na Se¸cão 3.3.2).

(51)

Dentre os blocos funcionais (FF) padronizados, os mais importantes para a implementa¸cão da ferramenta em questão, são os blocos aritmético e caracterizador, que são diretamente utilizados no projeto de um neurônio artificial.

Através da configura¸cão e interliga¸cão desses dois blocos funcionais, pode-se obter um modelo de neurônio próximo ao mostrado na Se¸cão 3.3. As diferen¸cas ficam por conta da fun¸cão de ativa¸cão, como será mostrado mais adiante.

O bloco funcional aritmético está ilustrado na Figura 4.1 [12]. Pode-se observar no seu esquema geral, a presen¸ca de três entradas, rotuladas de IN 1, IN 2 e IN 3, de três ganhos correspondentes às entradas, denominados GAIN IN 1, GAIN IN 2 e GAIN IN 3. Além disso, existe também um sub bloco rotulado de “Algorithm Type”. O sub bloco Algorithm Type pode assumir diversos comportamentos, executando várias fun¸cões matemáticas, bastando para isso que se escolha um dentre os vários algoritmos a seguir [12]:

Figura 4.1: Esquema interno do bloco aritm´etico padr˜ao FF.

• Compensa¸c˜ao de Fluxo, linear;

• Compensa¸c˜ao de Fluxo, ra´ız quadrada;

• Compensa¸c˜ao de Fluxo, aproxima¸c˜ao;

• Fluxo BTU;

• Multiplicador/Divisor Tradicional;

• M´edia;

• Somador Tradicional;

(52)

Esse bloco é utilizado para calcular o campo local induzido do neurônio a partir de suas entradas (Equa¸cão 3.4). Esse valor é calculado aplicando-se um peso para cada entrada do neurônio (o bloco funcional provê esses pesos como parâmetros), e depois somando-os com um valor adicional, chamado debias, também dispon´ıvel no bloco funcional como parâmetro. Para isso, escolheu-se entre as várias fun¸cões do sub blocoalgorithm type, o algoritmo somador tradicional.

Depois de calculado o campo local induzido, para que seja poss´ıvel implementar um neurônio artificial (com até três entradas), falta apenas a fun¸cão de ativa¸cão, que será implementada usando-se o bloco funcional padrão chamado de “Caracterizador de Sinais”.

O bloco caracterizador é mostrado na Figura 4.2 e tem a fun¸cão de fazer uma mapeamento entre uma entrada e sua respectiva sa´ıda. Esta fun¸cão, é definida a partir de uma tabela com no máximo 21 pontos (x-y), onde os pontos intermediários são obtidos a partir de uma interpola¸cão linear executada pelo bloco funcional [11].

Figura 4.2: Esquema interno do bloco caracterizador de sinais padr˜ao FF.

Ligando-se a sa´ıda de um bloco aritmético, configurado como descrito acima, à entrada de um bloco caracterizador implementando uma fun¸cão de ativa¸cão (ver Se¸cão 3.2.1), tem-se um neurônio artificial, como mostrado na Figura 3.3. Pode-se, então, formar uma rede neural artificial interligando-se a sa´ıda desse neurônio, às entradas de outros neurônios e organizá-los de maneira desejada (ver Sessão 3.3).

(53)

Através da escolha dos pontos dispon´ıveis no bloco caracterizador, objetivou-se mapear a fun¸cão tangente sigmóide, mostrada na Figura 4.3.

Figura 4.3: Fun¸cão tangente sigmóide, usada como fun¸cão de ativa¸cão.

Com o uso de apenas um bloco caracterizador, tem-se dispon´ıvel apenas vinte pontos1 _{para fazer o mapeamento entre a entrada e a sa´ıda (Figura 4.2). A qualidade}

dessa aproxima¸cão é inversamente proporcional ao erro gerado pelo neurônio, o que torna de extrema importância conseguir a melhor aproxima¸cão poss´ıvel.

Para a melhor sintonia dos pontos, usou-se uma técnica de inteligência computacional chamada de algoritmos genéticos [19]. Para isso, foi definida uma fun¸cão de avalia¸cão, afim de mensurar a qualidade da aproxima¸cão. A fun¸cão definida foi o erro médio quadrático entre a fun¸cão original e a fun¸cão a ser aproximada. O objetivo da técnica utilizada é achar a combina¸cão de pontos que minimiza a fun¸cão de avalia¸cão, mostrada a seguir:

A=

m

i=1

f rac(ai−ri)2m (4.1)

Onde m é o número total de pontos do vetor, a é a fun¸cão aproximada e r é a fun¸cão real. Os melhores pontos, de acordo com o algoritmo, são mostrados na

1_{O bloco caracterizador utilizado foi o da empresa SMAR que disponibiliza 20 pontos ao inv´es}

(54)

Figura 4.4. O erro médio quadrático dessa aproxima¸cão para um vetor de tamanho

m= 201 pontos foi de

erro= 6,4518×10−6

Como esperado, as regiões onde a fun¸cão apresenta maior curvatura têm a maior concentra¸cão de pontos (Figura 4.5).

Figura 4.4: Pontos fornecidos pelo algoritmo gen´etico.

Na Figura 4.5, os pontos são ligados através de uma interpola¸cão linear, formando a fun¸cão aproximada.

Na Figura 4.6, além dos pontos, estão as duas fun¸cões sobrepostas, a aproxima¸cão e a original, afim de se visualizar a qualidade da aproxima¸cão.

(55)

Figura 4.5: Aproxima¸cão da fun¸cão tangente sigmóide.

(56)