14ª Conferência sobre Tecnologia de Equipamentos

(1)

COTEQ2017 - 255

SISTEMA PARA CONDICIONAMENTO, AQUISIÇÃO, PROCESSAMENTO E ARMAZENAMENTO REMOTO DE SINAIS DE INSPEÇÕES NÃO-DESTRUTIVAS

Manoel Messias Silva Júnior1, Daniel M. Oliveira2, Eduardo F. S. Filho 3, Maria C. S. Albuquerque4, Ivan Silva5, Cláudia T. T. Farias6.

14ª Conferência sobre Tecnologia de Equipamentos

Trabalho apresentado durante a 14ª Conferência sobre Tecnologia de Equipamentos. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es).

SINOPSE

Em alguns problemas de inspeção não-destrutiva, para se obter adequada eficiência na detecção de defeitos ou não-conformidades é necessário o uso de sistemas computacionais que produzem informações para suporte à decisão do inspetor. Uma limitação, nestes casos, é que o processamento da informação usualmente é efetuado em computadores pessoais a partir de sinais gravados durante a inspeção. Este trabalho apresenta uma proposta de equipamento eletrônico portátil que combina as etapas de aquisição de sinais, processamento digital e interface com o inspetor para fornecer a informação de suporte à decisão em campo. A etapa de aquisição de sinais compreende um circuito analógico de condicionamento e um conversor analógico-digital com alta resolução e frequência de amostragem ajustável. O processamento digital é realizado num microcomputador de placa única e pode ser configurado para executar rotinas de extração de características (usando as transformadas de Fourier, dos Cossenos e

Wavelet). As informações da inspeção podem ser armazenadas localmente ou em um banco

de dados remoto. O sistema foi projetado para permitir a utilização em diferentes métodos de inspeção não-destrutiva como ultrassom e correntes parasitas pulsadas. Neste trabalho são apresentados resultados preliminares do sistema proposto conectado a um equipamento de inspeção por correntes parasitas pulsadas.

1 Doutorando em Engenharia Elétrica – PPGEE/UFBA 2 Mestrando em Engenharia Elétrica – PPGEE/UFBA 3 Doutor em Engenharia Elétrica – PPGEE/UFBA

4 Doutora em Engenharia de Processos – IFBA / GPEND

5 Doutor em Engenharia Metalúrgica e de Materiais – IFBA / GPEND 6 Doutora em Engenharia Metalúrgica e de Materiais – IFBA / GPEND

(2)

1. INTRODUÇÃO

Os ensaios não destrutivos são amplamente aplicados nos setores industriais e destacam-se na realização de testes em equipamentos e estruturas sem alterar suas características físicas, químicas, mecânicas ou dimensionais (1). O objetivo é garantir o funcionamento adequado das instalações industriais assegurando sua integridade, com menor custo possível.

Os testes realizados por correntes parasitas pulsadas (Pulse Eddy Current - PEC) têm sido aplicados com a finalidade de detectar e medir descontinuidades em equipamentos metálicos na indústria de petróleo, nuclear e aeronáutica (2), (3). Estes ensaios oferecem uma alternativa ao ensaio por correntes parasitas convencional, permitindo maior profundidade de penetração, maior riqueza de informação sobre os defeitos e maior robustez contra interferência.

Na técnica PEC, uma bobina é excitada por meio de uma onda quadrada de tensão ou de corrente, permitindo um longo espectro de frequência. A identificação dos defeitos pode ser realizada através da análise do transiente no domínio do tempo ou ainda por meio da análise espectral no domínio da frequência após a aplicação da transformada de Fourier (4). As principais características analisadas são a amplitude do pico, tempo de subida, tempo para o pico, tempo de descida e tempo para o zero. Contudo, como tal detecção depende do comportamento do campo magnético aplicado no material, existem dificuldades na avaliação dos dados inspecionados. A dificuldade de calibração, a falta de algoritmos para processamento de sinais, as alterações de permeabilidade magnética no material e os isolamentos que possuem proteção metálica dificultam a obtenção de respostas adequadas. Assim, essas características têm encorajado muitas pesquisas que com o objetivo de aperfeiçoar a avaliação dos dados inspecionados por essa técnica.

Muitos trabalhos foram desenvolvidos com o objetivo de apresentar ferramentas necessárias para auxiliar no diagnóstico em ensaios não destrutivos. Em (5) desenvolveu-se uma metodologia para extração eficiente de características em um sistema automático de apoio à decisão de ensaios ultrassônicos. Neste trabalho, os testes foram realizados em juntas de aço soldadas e um classificador baseado em rede neural artificial foi usado para identificação de defeitos. Outra aplicação de redes neurais para a avaliação automática de ultrassom em juntas soldadas pode ser encontrada em (6). O trabalho (7) utiliza processamento de sinais em diferentes sistemas de classificação para a detecção automática de defeitos em materiais compósitos. Em (8) é apresentada uma implementação integrada do sistema de classificação neural para apoio à decisão por ultrassom. Um processador digital de sinais (DSP TMS320C6713 Texas Instruments), foi utilizado naquele trabalho como plataforma de

hardware. Módulos de pré-processamento de sinais também foram incluídos, a fim de

melhorar o desempenho do classificador.

No presente trabalho foi desenvolvido um sistema de processamento eletrônico capaz de oferecer, em campo, informações relevantes a respeito dos equipamentos e estruturas inspecionados. Os dados dos ensaios são disponibilizados localmente e também armazenados em um banco de dados remoto. O sistema montado utiliza um conversor AD para realizar a aquisição e digitalização das informações dos ensaios, além do hardware principal que realiza o processamento dos dados, que é composto por um computador de placa única (Raspberry Pi – B). Neste sistema digital estão embutidas técnicas de processamento de sinais como a

Discrete Fourier Transform (DFT), Discrete Wavelet Transform (DWT) e Discrete Cosine Transform (DCT), utilizadas no pré-processamento dos sinais inspecionados. Nas seções

(3)

apresentados. Resultados experimentais são utilizados para avaliar a validade da implementação embarcada.

2. SISTEMA EMBARCADO PROPOSTO

A Figura 1 ilustra o diagrama do sistema embarcado proposto, desde a aquisição de dados até a visualização do resultado final. Pode-se ver que o sistema embarcado proposto é composto por um módulo de processamento onde podem ser aplicadas aos sinais adquiridos a transformada discreta de Fourier, a transformada discreta de cossenos ou a transformada

Wavelet discreta para extrair características relevantes. Essas informações são, então,

armazenadas em um banco de dados remoto.

Figura 1 – Sistema embarcado proposto.

Os algoritmos responsáveis pelo processamento das informações das inspeções foram embarcados na plataforma de hardware utilizada. O desenvolvimento desses códigos foi realizado através de bibliotecas específicas fornecida pelo próprio dispositivo.

O hardware principal, responsável pelo processamento dos sinais inspecionados, é o

Raspberry Pi. Trata-se de um microcomputador portátil que se destaca pelas seguintes

características: Núcleo quad-core de 64 bits com FPU, frequência de operação de 1.2GHz, 1 GB de memória RAM, Wireless LAN, Bluetooth 4.1, entrada micro SD, entrada HDMI e suporte a comunicação I2C e SPI. A plataforma de hardware utilizada se destaca por possui baixo custo e simplicidade de implementação.

(4)

Uma característica particular do sistema proposto neste trabalho é que ele foi projetado para aplicação em diferentes problemas de avaliação não destrutivas. Para isto, o módulo de pré-processamento de sinal pode ser configurável pelo utilizador para uma dada aplicação. 3. TÉCNICAS DE PROCESSAMENTO DIGITAL DE SINAIS

Em ensaios não destrutivos, uma cadeia de processamento digital de sinais é muito importante para garantir a avaliação eficiente da informação. Tradicionalmente nesta aplicação, a transformada de Fourier é utilizada para acessar as informações no domínio da frequência (11). Mais recentemente, a análise Wavelet também tem sido utilizada para extração de características em problemas de avaliação por ultrassom (12), (13). A transformada discreta dos cossenos (Discrete Cosine Transform – DCT) também aparece como uma alternativa interessante, neste contexto, uma vez que produz um conjunto compacto de características representativas (4).

Em geral no uso de correntes parasitas pulsadas para ensaios não destrutivos, a eficiência do algoritmo de extração de características pode variar de acordo com a aplicação e as características físicas dos objetos de teste. Uma vantagem do sistema eletrônico de processamento proposto é que o módulo de extração de características pode ser personalizado para a aplicação (por escolha adequada do melhor algoritmo para um determinado problema).

3.1. TRANSFORMADA DISCRETA DE FOURIER

A DFT (Discrete Fourier Transform) (14) pode ser definida através de:

, k = 0, 1, …, N-1 (1)

onde

.

Neste trabalho, para a implementação eficiente da DFT foi aplicado o algoritmo da transformada rápida de Fourier (Radix-2) (14).

3.2. TRANSFORMADA DISCRETA DOS COSSENOS

A transformada discreta dos cossenos é semelhante à DFT uma vez que produz uma representação no domínio da frequência. No entanto, a DCT (Discrete Cosine Transform) usa apenas os componentes do cosseno, e, portanto, é uma representação de R→R (14).

A transformada discreta de cossenos é definida através de:

(2)

onde: α(0) = e α(0) = para 1 .

(5)

Uma característica interessante da transformada discreta dos cossenos é que ela concentra a energia do sinal em um pequeno número de componentes. Esta transformação é largamente utilizada para a compressão de informação em aplicações de processamento de vídeo e de áudio.

Neste trabalho foi utilizado o algoritmo Fast Cosine Transform (FCT) para uma implementação eficiente da DCT.

3.3. TRANSFORMADA DISCRETA WAVELET

A transformada wavelet fornece uma abordagem diferente para a análise de sinais, uma vez que permite explorar simultaneamente ambos os domínios de tempo e frequência. A DWT (discrete wavelet transform) pode ser implementada através de uma estrutura hierárquica de filtragem. Neste caso, o sinal original é decomposto (sequencialmente) em coeficientes de aproximação (filtro passa-baixas) e detalhe (filtro passa-altas) (14), respectivamente c[n] e d[n].

Para o primeiro nível de decomposição, os coeficientes de aproximação e detalhe wavelet são definidos, respectivamente, por meio de:

(3)

(4)

onde [n] e [n] são a resposta ao impulso dos filtros passa-baixas e passa-alta e o operador "*" representa a operação de convolução.

4. MÉTODO EXPERIMENTAL

O sistema embarcado proposto é configurável, no sentido de que é possível escolher a cadeia de processamento de sinal adequado para um determinado problema. Ou seja, o operador pode escolher o algoritmo de extração de características entre FFT, DWT e DCT, ou ainda utilizar uma combinação destas técnicas.

Para realização do ensaio PEC é necessário a utilização de uma sonda, um gerador de sinais e um sistema de aquisição. A sonda consiste de uma bobina com um sensor GMR (Giant

Magnetic Resistance) no seu interior. Esta bobina recebe o pulso de onda quadrada fornecido

por um gerador de função. O campo magnético criado pela bobina induzirá correntes parasitas, que por sua vez criarão um campo secundário. O sensor GMR é o elemento responsável pela leitura dos sinais gerados por estes campos.

Na configuração do sistema montado foi utilizada uma placa de aquisição de dados (com

ADC embarcado). Esse dispositivo foi conectado diretamente ao sensor, através de uma

entrada analógica (ver Figura 2).

Como placa de aquisição foram utilizados dois dispositivos, um módulo Arduíno® (15), que possui resolução de 10 bits e taxa de amostragem de 10 kHz, e o dispositivo de aquisição de dados o NI MyDAQ (16) da National Instruments®, que possui taxa de amostragem de 200 kHz

(6)

Figura 2 – Montagem experimental.

Para validação do sistema eletrônico de processamento de sinais desenvolvido, foram escolhidos problemas de inspeções em uma aplicação industrial importante do ensaio não destrutivo por correntes parasitas pulsadas. Testes foram realizados em tubos de três tipos de materiais: P5, inox e aço carbono. Nestes experimentos foi utilizado um sinal PEC com frequência do pulso igual a 1 kHz.

5. RESULTADOS EXPERIMENTAIS

Os resultados experimentais foram divididos em três seções, um referente a cada experimento realizado. O objetivo das análises foi validar o sistema embarcado desenvolvido. Foram realizadas avaliações que compreendem: a precisão dos resultados de saída das implementações dos algoritmos no sistema embarcado (em comparação com modelos de referência em MATLAB ®); e o tempo de execução da cadeia de processamento.

Para a estimativa dos tempos médios de execução, os sinais de inspeção foram processados no hardware proposto. Os testes forma realizados 100.000 vezes e os tempos médios de execução foram registrados. A Tabela 1 apresenta os resultados encontrados para cada transformada utilizada. Foram utilizados dados provenientes dos dois sistemas de aquisição utilizados, o MyDaq e o Arduino. Os resultados apontam que o tempo necessário para execução dos algoritmos são bastante curtos.

Tabela 01: Tempos de processamentos médio (em milissegundos) para diferentes cadeias de processamento dos sinais.

Processamento: FFT DCT DWT

Tempo (ADC - MyDaq) 114 200 4,0

Tempo (ADC / Arduino) 5 11 0,3

5.1. TESTE COM PEC EM AÇO-CARBONO

Neste experimento utilizou-se um sinal PEC (frequência do pulso igual a 1 kHz) em um tubo de aço-carbono. A precisão computacional dos algoritmos embarcados foi avaliada através de uma comparação com uma implementação equivalente no software MATLAB® (aqui considerado como um modelo ideal). O erro de validação para uma determinada variável v foi definido como:

(7)

(6)

Nas Figuras 3 e 4 são apresentados os histogramas dos erros estimados para as transformadas considerando os dados adquiridos por meio do MyDaq e Arduino, respectivamente.

Figura 3 – Histogramas de erro para os sinais adquiridos pelo My Daq (em Volts) das comparações entre as implementações: (a) FFT, (b) DCT e (c) DWT.

Figura 4 – Histogramas de erro para os sinais adquiridos pelo Arduíno (em Volts) das comparações entre as implementações: (a) FFT, (b) DCT e (c) DWT.

(8)

Na Tabela 2 estão mostrados os erros máximos para cada uma dessas transformadas. Pode-se observar que o algoritmo implementado que apresentou menor erro foi o da DCT.

Tabela 02: Erro máximo (em Volts) para o cálculo de diferentes transformações considerando o sinal do PEC em tubos de aço carbono.

Transformadas DWT FFT DCT

Erro (MyDaq) (V) Erro (Arduino) (V)

5.2. TESTE COM PEC EM INOX

Neste experimento foram feitos testes utilizando um PEC em um tubo de inox a 1kHz. Também fez uso de um osciloscópio digital para verificar os formatos dos sinais e retornar os dados do sinal para facilitar a avaliação.

Na Figura 5 são ilustrados os histogramas dos erros estimados para diferentes implementações dos algoritmos de pré-processamento. Os dados foram adquiridos através do MyDaq. Na Figura 6 os erros foram obtidos utilizando sinais digitalizados com o Arduino. A Tabela 3 apresenta um resumo dos resultados obtidos. Pode ser visto que os erros obtidos para a FFT e DCT são bastante reduzidos, já para DWT observou-se erros um pouco maiores.

Figura 5 – Histogramas de erro para os sinais adquiridos pelo My Daq (em Volts) das comparações entre as implementações: (a) FFT, (b) DCT e (c) DWT.

(9)

Tabela 03: Erro máximo (em Volts) para o cálculo de diferentes transformações considerando o sinal do PEC em tubos de Inox

5.3. TESTE COM PEC EM P5

Na Figura 7 são apresentados os histogramas dos erros estimados para os sinais adquiridos em tubos P5, utilizando dados coletados através do MyDaq, onde é possível identificar que o menor erro ocorreu com a aplicação da DCT. Na Figura 8 são mostrados os histogramas dos erros com dados obtidos por meio do Arduino. A Tabela 4 são mostrados os erros máximos de cada uma das transformadas. Pode ser visto que os erros obtidos (para FFT e DCT) são menores que os apresentados para a DWT.

Os resultados encontrados apontam que a implementação da DWT produziu maior erro. Esse comportamento pode ser atribuído a problemas na dimensão da matriz de transformação. A implementação da DWT no software MATLAB® é realizada de forma diferente do que foi feito na plataforma de hardware utilizada. Nesta, os dados são tratados como periódicos e são repetidos no final do vetor, no MATLAB® é gerado artificialmente um elemento a mais para

(10)

Figura 7 – Histogramas de erro para os sinais adquiridos pelo My Daq (em Volts) para as implementações: (a) FFT, (b) DCT e (c) DWT

(11)

Tabela 04: Erro máximo (em Volts) para o cálculo de diferentes transformações considerando o sinal do PEC em tubos P5.

O acesso ao banco de dados remoto para armazenamento das informações ocorreu sem problemas. Como o sistema armazena os dados no RPi antes do envio, é possível realizar todas as fases do processamento antes de enviar as informações para o banco de dados. Os dados são enviados à medida que o processamento é executado, porém pode também ser configurado o envio periódico das informações. Após o envio dos dados, as informações armazenadas podem ser deletadas do dispositivo, caso a memória local do sistema seja totalmente ocupada.

6. CONCLUSÃO

O firmware desenvolvido é bastante flexível e permite ao operador configurar o sistema proposto para uma determinada aplicação por escolha adequada do algoritmo de extração de características (entre técnicas FFT, DWT e DCT). O sistema proposto foi validado em aplicações práticas de avaliação por correntes parasitas pulsadas, em que foi possível obter resultados satisfatórios. O tempo de processamento dos algoritmos mostrou-se bastante reduzidos. Observou-se também que o sistema concebido obteve elevados níveis de precisão do cálculo dos módulos de processamento de sinal (quando em comparação com uma aplicação equivalente no MATLAB®).

7. REFERÊNCIAS BIBLIOGRÁFICAS

(1) C. Hellier, Handbook of Nondestructive Evaluation. second ed., McGraw-Hill, 2012. (2) Smith R.A., Hugo G.R..“Deep corrosion and crack detection in aging aircraft using

transient eddy current NDE”. Review of Progress in Quantitative NDE 1999: 401–1408. (3) Xie, S., Chen Z., Takagi T., Uchimoto T., “Efficient Numerical Solver for Simulation of

Pulsed Eddy-Current Testing Signals”. IEEE Transactions On Magnetics, vol. 47, no. 11, 2011.

(4) Qiu X, Zhang P, Wei J, Cui X, Wei C, Liu L., “Defect classiﬁcation by pulsed eddy current technique in con-casting slabs based on spectrum analysis and wavelet decomposition”, Sens Actuators A: Phys 203 272–81 2013.

(5) F. d. C. Cruz, E. F. Simas Filho, L. Martinez, M. Albuquerque, and C. T. Farias, “Efficient feature extraction for an automatic ultrasound testing decision support system,” in Proceedings of the IEEE International Instrumentation and Measurement Technology

Conference (I2MTC), 2014. IEEE, 2014, pp. 1279–1284.

(6) S. Seyedtabaii, “Performance evaluation of neural network based pulseecho weld defect classifiers,” Measurement Science Review, vol. 12, no. 5, pp. 168–174, 2012.

(7) T. D’orazio, M. Leo, A. Distante, C. Guaragnella, V. Pianese, and G. Cavaccini, “Automatic ultrasonic inspection for internal defect detection in composite materials,”

(12)

(8) Silva Junior, M. M.; Simas Filho, E. F.; Farias, P. C. M. A. ; Albuquerque, M. C. S. ; Silva, I. C.; Farias, C. T. T. . “Sistema de Auxílio ao Diagnóstico em Campo para Inspeções por Ultrassom”. In: 13ª Conferência sobre Tecnologia para Equipamentos –

COTEQ, 2015.

(9) Silva Junior, M. M.; Simas Filho, E. F.; Farias, P. C. M. A.; Albuquerque, M. C. S. ; Silva, I. C.; Farias, C. T. T. “Neural Decision Support System for Ultrasound Nondestructive Evaluation Embedded in a DSP”. In: IEEE International Instrumentation

and Measurement Technology Conference, Pisa, 2015.

(10) L. Zhang, “A multichannel data acquisition system design for guided waves ultrasound testing,” in Nondestructive Evaluation/Testing (FENDT), 2014 IEEE Far East Forum on. IEEE, 2014, pp. 93–97.

(11) M. Arone, D. Cerniglia, and V. Nigrelli, “Defect characterization in al welded joints by non-contact lamb wave technique,” Journal of Materials Processing Technology, vol. 176, no. 1, pp. 95–101, 2006.

(12) Y. Chen and H. Ma, “Signal de-noising in ultrasonic testing based on stationary wavelet transform,” in Intelligent Systems, 2009. GCIS’09. WRI Global Congress on, vol. 2. IEEE, 2009, pp. 474–478.

(13) Y. Wang, “Wavelet transform based feature extraction for ultrasonic flaw signal classification,” Journal of Computers, vol. 9, no. 3, pp. 725–732, 2014.

(14) P. S. R. Diniz, E. A. B. da Silva, and S. L. Neto, Digital Signal Processing: System

Analysis and Design. Cambridge University Press, 2010.

(15) Arduíno, Leitura Analógica com Arduíno, disponível em https://www.arduino.cc/en/Reference/analogRead., Acesso em 01/03/2017.

(16) National Instruments, Manual do My Daq, disponível em http://www.ni.com/pdf/manuals/373061f.pdf., acesso em 01/03/2017.