SISTEMAESPECIALISTAPARADIAGNÓSTICOONLINEDEPROCESSOSINDUSTRIAIS
RAFAEL M.TELES1,DANILO C. DE SOUZA1,ADRIÃO D.D.NETO¹,LUIZ AFFONSO GUEDES1 1Laboratório de Informática Industrial, Departamento de Computação e Automação,
Universidade Federal do Rio Grande do Norte Av. Senador Salgado Filho, 3000 – Lagoa Nova, Natal
E-mails: [rmteles, curvelo, adriao, affonso]@dca.ufrn.br
Abstract The increase in the complexity of technologies used in the industry demand for more reliable and efficient process diagnosis systems. Aiming to contribute to meet this demand, this paper will present a rule-based expert system for real-time process diagnosis. In this solution, we propose a high-level environment for modeling rules, which allows simplified creation and manipulation of rules through visual programming.
Keywords expert system for automation, rule-based system, rules, inference engine, process diagnosis.
Resumo O aumento na complexidade das tecnologias empregadas na indústria fomenta a demanda por sistemas de diagnósti-co de processos mais diagnósti-confiáveis e eficientes. Visando diagnósti-contribuir para suprir essa demanda, será apresentado neste artigo um sis-tema especialista baseado em regras de produção para diagnóstico de processos em tempo real. Nesta ferramenta foi proposto um ambiente de alto-nível para modelagem das regras de produção, permitindo de forma simplificada a criação e manipulação de regras através de programação visual.
Palavras-chave sistema especialista para automação, sistema baseado em regras, regras, motor de inferência, diagnóstico de processos.
1 Introdução
Condições de operação anormais de processos indus-triais custam bilhões de dólares por ano, porém esses cenários podem ser prevenidos se forem previstos e controlados com antecedência. Sistemas de automa-ção avançados tem o potencial de ajudar engenheiros no monitoramento, detecção e diagnóstico de condi-ções anormais de operação e, assim, proporcionar a possibilidade de ações corretivas contra essas.
As demandas crescentes por sistemas de alto de-sempenho e eficiência no custo de produção são fato-res que contribuem para o desenvolvimento dos sis-temas de monitoramento e diagnóstico. A forma mais tradicional de melhorar esses parâmetros envolve o aumento na qualidade, segurança, eficiência e robus-tez dos componentes do processo, como sensores, atuadores e controladores (Brandão, 2010). Entretan-to, nem sempre isso é viável, e por essa razão os sis-temas de diagnóstico de processo são de fundamental importância.
Esses sistemas permitem inferir os estados de operação de um processo industrial a partir de mode-los matemáticos ou baseados no conhecimento de especialistas. Este procedimento de inferência faz uso de múltiplos parâmetros e informações do processo, tais como alarmes, eventos e variáveis de processo.
A abordagem utilizando modelos matemáticos pode ser falha, pois na prática é quase impossível obter equações que descrevam exatamente o processo em estudo. Devido a essa dificuldade é possível que o modelo matemático apresente divergências em re-lação ao modelo real da planta, promovendo assim a ocorrência de respostas imprecisas por parte do
sis-tema de diagnóstico, e consequentemente desencade-ando ações operacionais corretivas inadequadas.
Tais desvantagens motivaram a necessidade do desenvolvimento de modelos com abordagens alter-nativas, tais como redes neurais e sistemas especialis-tas. Nesses modelos, o diagnóstico de processos é realizado com base na avaliação de dados adquiridos em tempo real e avaliados de acordo com um conjun-to de regras e heurísticas fornecidos ao sistema por um especialista humano. A partir deste conhecimento especializado é possível então reduzir, ou eliminar, a necessidade de modelos matemáticos complexos da planta (Nan et al., 2008).
É neste escopo que a ferramenta apresentada neste artigo se enquadra. Desenvolvida para auxiliar o operador de processos na tomada de decisão, a ferramenta realiza a inferência de diagnósticos pre-ventivos, facilitando assim a detecção de falhas e de situações operacionais anormais.
Dessa maneira, o artigo encontra-se organizado nas seguintes seções: na Seção 2 é introduzido o con-ceito de sistemas especialistas. Na Seção 3, descre-vemos a arquitetura da aplicação proposta. Em se-guida, na Seção 4, uma modelagem didática para validação da ferramenta é apresentada. Por fim, na Seção 5 são expostas as principais conclusões do trabalho.
2 Sistemas Especialistas
Métodos baseados em inteligência artificial vêm sen-do aplicasen-dos com sucesso como solução de proble-mas complexos de engenharia. Tais probleproble-mas são frequentemente encontrados em sistemas de diagnós-tico de plantas industriais, onde numerosos
parâme-tros de processos dificultam a construção de modelos matemáticos.
Entre esses métodos, podemos citar os sistemas especialistas, definidos como ferramentas computaci-onais que modelam o raciocínio e as ações de um humano ou grupo especialista em uma determinada área do conhecimento (Flores, 2003).
A arquitetura típica de um sistema especialista é composta de três componentes principais: o motor de inferência, a interface de usuário e a base de conhe-cimento (Momoh et al., 2000).
Figura 1. Arquitetura dos sistemas especialistas A base de conhecimento de um sistema especia-lista é composta por fatos e heurísticas. Os fatos con-sistem um corpo de informação que é largamente compartido, publicamente disponível e geralmente aceito pelos especialistas em um campo. As heurísti-cas são em sua maioria privadas, regras pouco discu-tidas de bom discernimento, que caracterizam a to-mada de decisão a nível de especialista na área (Harmon e King, 1988).
O motor de inferência é um elemento essencial para a existência de um sistema especialista. É consi-derado o núcleo do sistema e é por intermédio dele que os fatos, heurísticas e relações que compõem a base de conhecimento são aplicados no processo de resolução de problemas (Ignizio, 1991).
A interface de usuário é um importante módulo do sistema, a partir do qual o usuário pode verificar resultados e modificar os fatos e heurísticas contidos na base de conhecimento.
Existe uma série de formalismos que podem ser usados para representar o conhecimento de um siste-ma especialista, tais como redes semânticas, expres-sões lógicas, enquadramentos, regras de produção, entre outras. No sistema especialista usado na aplica-ção descrita neste artigo foi utilizado regras de pro-dução para compor sua base de conhecimento. Nes-ses sistemas a base conhecimento é subdivida em dois módulos: a base de regras e memória de trabalho (ou base de fatos).
A base de regras é responsável por reunir as heu-rísticas e relações, normalmente formalizadas por
especialistas em um determinado domínio. Essas regras são modeladas de forma procedural, no forma-to se-então ou situação-então. Ainda, regras são fa-cilmente desenvolvidas a partir de tabelas e árvores de decisão (Hopgood, 2000).
A memória de trabalho é o elemento do sistema responsável por armazenar os fatos do problema. Essa base contém todas as informações, fornecidas pelo usuário ou por outra fonte de dados, sobre o problema a ser resolvido. Essa memória apresenta caráter transitório, pois novos fatos estão sendo acrescentados continuamente ou fatos existentes são apagados (Souza et al., 2012).
3 Arquitetura Proposta
A aplicação proposta neste artigo encontra-se subdi-vidida em três módulos: o sistema especialista, o am-biente de construção de regras e a tela de visualiza-ção de diagnósticos.
Figura 2. Arquitetura proposta
1.1 Sistema Especialista
Como foi explanado anteriormente, modelamos a base de conhecimento do sistema especialista da aplicação por meio de regras de produção, método mais popular para representação de conhecimento dentre os sistemas especialistas (Carrico et al., 1989). A memória de trabalho deste sistema especialista é continuamente guarnecida por dados de alarmes, eventos, variáveis de processo e estados de outras regras.
Esse sistema especialista foi desenvolvido utili-zando a biblioteca Drools, desenvolvida pela JBoss. Essa plataforma utiliza o algoritmo Rete no processo de inferência, algoritmo amplamente utilizado em motores de inferência, provendo um suporte especia-lizado na aplicação do casamento de padrões (Bali, 2009).
1.2 Ambiente de Construção de Regras
Com a proposta de oferecer uma maneira fácil e rápi-da de manipular e construir regras, foi desenvolvido um ambiente de construção de regras baseado em programação visual, que abstrai para o usuário a
complexidade usualmente encontrada na elaboração de regras em sistemas similares.
Com a utilização desse ambiente, a construção de regras se torna uma tarefa simples e de rápida compreensão, permitindo assim que usuários de dife-rentes níveis de conhecimento em programação pos-sam utilizar a ferramenta.
A modelagem das regras é feita a partir de uma lógica envolvendo blocos funcionais, onde múltiplos blocos de condição são combinados em uma única saída booleana utilizando operadores lógicos clássi-cos (E, Ou e Negação) e de votação (m de n). Além de permitir a associação de diversos dados do
pro-cesso por regra, a ferramenta propicia que essa seja modelada de forma hierárquica, proporcionando uma melhor organização e estruturação das estratégias desenvolvidas.
Associadas as regras o sistema permite ao usuá-rio vincular uma mensagem de diagnóstico que será exibida na tela de visualização quando essa regra tiver suas condições satisfeitas. Na construção dessas mensagens o usuário deve associar um grau de prio-ridade, um título e uma descrição do diagnóstico com o objetivo de sugerir possíveis ações ao usuário final da ferramenta.
Figura 3. Ambiente de Construção de Regras
A interface gráfica desenvolvida para construção de regras pode ser visualizada na Figura3. Em (1) é listada a árvore de regras, onde a ordem com que são exibidas reflete a hierarquia com que elas foram mo-deladas. Em (2) é indicada a barra de ferramentas, que provê as seguintes opções: Criar nova regra; re-mover a regra selecionada; duplicar regra seleciona-da; salvar projeto e carregar projeto. Em (3) está ilus-trado o ambiente em que os blocos funcionais são combinados com os operadores lógicos para modela-gem das regras. Em (4) o usuário pode configurar uma descrição para a regra que está sendo manipula-da. Por fim, em (5) encontra-se o painel de configu-ração da mensagem de diagnóstico, onde é possível definir o grau de prioridade, designar o título e asso-ciar uma descrição à mensagem.
Uma vez que as regras tenham sido modeladas, é necessário realizar um processo de tradução tornando as mesmas conciliáveis com o sistema especialista. A linguagem utilizada no ambiente de construção de regras, essencialmente visual, necessita que aquela mesma informação inserida pelo usuário através da modelagem via blocos funcionais seja repassada ao
sistema especialista através de uma linguagem e sin-taxe compatíveis com o sistema especialista Drools.
1.3 Tela de Visualização de Diagnósticos
A fim de auxiliar no monitoramento das mensagens de diagnóstico geradas pelo sistema e validar as re-gras elaboradas, foi desenvolvido uma interface de visualização simples e objetiva.
Nessa interface o usuário visualiza todas as men-sagens de diagnóstico geradas pelo sistema, nas quais são utilizadas diferentes cores para representar dife-rentes prioridades, auxiliando o operador a decidir sobre qual diagnóstico deve ser tratado inicialmente.
Além de visualizar as mensagens de diagnóstico o operador tem a opção de realizar o reconhecimento das mesmas. Em acréscimo a essas funcionalidades, a tela de visualização de diagnóstico foi projetada para melhor aproveitar o espaço disponível na tela do usu-ário, permitindo resoluções widescreen.
Na Figura 4, é mostrada a tela de visualização, onde é possível verificar a disposição de três mensa-gens de diagnóstico ilustrativas, as quais são
apresen-tadas com diferentes cores (representando diferentes prioridades).
Figura 4. Tela de Visualização de diagnósticos.
4 Estudo de Caso
A utilização de estudos de caso incorpora credibili-dade a um sistema desenvolvido, principalmente por testar diferentes aspectos relativos a usabilidade. A partir de um estudo de caso é possível verificar a experiência do usuário desde a modelagem das regras no ambiente proposto até a validação das mesmas através da observação das saídas indicadas na tela de monitoramento de diagnósticos.
O estudo de caso proposto foi baseado em um processo simples desenvolvido em uma planta indus-trial didática da empresa SMAR (Figura 5). Seu obje-tivo é demonstrar didaticamente a operação das di-versas malhas de controle utilizando os mesmos equipamentos e ferramentas de configuração, em software, desenvolvidos para aplicação em controle industrial. Desta forma, a monitoração dessa planta permite a obtenção de resultados mais próximos dos reais ao se validar uma ferramenta desenvolvida.
Figura 5. Planta industrial didática da empresa SMAR A fim de facilitar e tornar a modelagem das re-gras mais didáticas, um subgrupo de instrumentos
presentes na planta foi selecionado. A Figura 6 repre-senta o diagrama da instrumentação relevante para este exercício. Este modelo é composto por um tan-que, uma bomba hidráulica (PX-39), uma válvula de controle pneumática (FV-39), uma válvula manual de
bypass (XV-39), uma válvula manual de saída do
tanque (XV-40) e um conversor estático (TZ-31). Os sensores disponíveis neste exercício são: um trans-missor de vazão (FIT-31), um transtrans-missor de nível (LIT-31) e um transmissor de temperatura (TIT-31).
Figura 6. Diagrama contendo o subgrupo de instrumentos selecio-nado para o estudo de caso
Realizada uma análise do processo, foram con-cluídos três exemplos possíveis de diagnóstico que trazem grande ganho durante o monitoramento da planta.
Se existe fluxo medido pelo FIT-31 e a vál-vula FV-39 se encontra fechada, então con-clui-se que a válvula de bypass XV-39 está aberta. Este diagnóstico é de extrema impor-tância visto que a válvula de bypass desta planta não é instrumentada.
Se não existe fluxo medido pelo FIT-31 e a válvula FV-39 se encontra aberta, então conclui-se que a bomba hidráulica PX-39 não está funcionando corretamente. Trata-se de um diagnóstico de falha em um equipa-mento.
Se o evento de abertura da válvula FV-39 é detectado e o estado desta mesma válvula indica que ela está fechada, conclui-se que o equipamento está com defeito.
O gráfico da Figura 7 representa o cenário res-ponsável pela ativação do diagnóstico relacionado à detecção da abertura da válvula de bypass. Nesse gráfico está ilustrado a medição de vazão pelo trans-missor FIT-31. No instante 0:08:50 ocorre o evento de fechamento da válvula FV-39 (indicado em ver-melho), desencadeando uma imediata diminuição do fluxo medido. Em 0:09:30 é detectado um aumento neste mesmo fluxo, apesar do estado da válvula FV-39 indicar que ela continua fechada. Pode ser então diagnosticado que a válvula de bypass XV-39 está aberta.
Figura 7. Vazão medida pelo transmissor de vazão FIT-31
5 Conclusão
A aplicação apresentada neste artigo tem como obje-tivo suprir uma demanda que vem sendo requisitada por grandes corporações do ramo de processos indus-triais: o auxílio à tomada de decisões, pois decisões rápidas e precisas são necessárias para evitar decrés-cimo de produção e até mesmo evitar incidentes com consequências graves.
Neste escopo, a solução proposta mostrou que pode atender bem esse objetivo, fornecendo ao usuá-rio um robusto sistema especialista baseado em re-gras, capaz de eficientemente inferir diagnósticos. Apresentando também uma tela de visualização para os diagnósticos gerados pelo sistema ao operador do processo e ao usuário responsável por configurar o sistema um ambiente de alto-nível para construção de regras.
É importante frisar que se faz necessária a vali-dação das regras (simulações, tabelas-verdade, etc.) antes de torná-las operacionais, visto que diagnósti-cos falsos, ou imprecisos, podem influenciar o opera-dor a tomar ações inadequadas, desencadeando baixa produtiva, ou até danos ao processo.
Agradecimentos
Os autores agradecem a Engenharia Básica do CEN-PES pelo apoio e recursos fornecidos a este projeto de pesquisa.
Referências Bibliográficas
Bali, M. (2009). Drools JBoss Rules 5.0 Developer’s Guide, Packt Publishing.
Brandão, Martha M. S. Leal (2010). Detecção e Di-agnóstico de Falhas de Processo Químico Dinâ-mico por Redes Neurais Multicamadas e Mapas Auto-Organizáveis.
Flores, C. D. (2003). Fundamentos dos Sistemas Especialistas. In: BARONE, D. A. C. (Ed.). Sociedades Artificiais: a nova fronteira da inteligência nas máquinas. Porto Alegre: Bookman. p.332.
Hopgood, Adrian A. (2000). Intelligent Systems for Engineers and Scientists, Second Edition. CRC Press.
Hardmon, Paul, King David., Sistemas Especialistas. Rio de Janeiro: Campus, 1988.
Ignizio, J.P. (1991). Introduction to Expert Systems – The Development and Implementation of Rule-based Expert Systems, New York: McGraw-Hill, Inc.
Momoh J., Srinivasan D., Tomsovic K., Baer D. (2000). Chapter 5: Expert System Applications, em K. Tomsovic, M. Y Chov (eds.), Tutorial on Fuzzy Logic Applications in Power Systems. Nan, Cen., Khan Faisal., Iqbal M. Tariq (2008).
Re-al-time fault diagnosis using knowledge-based expert system, Process Safety and Environmental Protection, Volume 86, Issue 1, Pages 55-71. Souza, Danilo C., Neto, Adrião D. D., Guedes, Luiz
A., Melo, Jorge D., Leitão, Gustavo B. P., Saito, Kaku (2012). Ferramenta de auxílio à tomada de decisão em processos industriais baseada em re-gras. CBA
