Hvordan engasjerer barnenyheter?

Em nossa arquitetura foram desenvolvidos três tipos de agentes como características próprias. Agentes de Observação responsáveis por verificar se existe alguma falha na planta, Agentes de Diagnóstico, que reconhecem que tipo de problema (falha) está acon- tecendo e os Agentes de execução que são responsáveis por corrigir a falha encontrada. A seguir detalharemos o funcionamento destes agentes.

3.2.1

Agentes de Observação

Os Agentes de Observação (AO) tem como objetivo detectar anomalias na medição de sensores ou inconsistências nos atuadores. Para isso, é necessário conhecer previa- mente o comportamento do sistema para detectar e diagnosticar falhas, pois dessa forma

temos um parâmetro de comparação sobre seu funcionamento. Ou seja, engenheiros de automação podem associar falhas a padrões de comportamento das variáveis do sistema. Pesquisas realizadas em detecção e isolamento de falhas (FDI - Fault Detection and Iso- lation) têm utilizado algoritmos inteligentes tais como Lógica Fuzzy e Redes Neurais Artificiais ([Korbicz & Kowal 2007], [Dexter 1995]).

Neste trabalho, os agentes de observação usam redes neurais ora para predição de de- terminado valor de medição de um dispositivo, ora para inferir o valor medido com base em outras variáveis. Os AOs devem então aprender como predizer ou inferir o compor- tamento do sinal antes de serem alocados nos blocos funcionais dos dispositivos. Este aprendizado é realizado no nível de supervisório, onde é feito o treinamento da rede neu- ral. Assim, os agentes de observação conhecem o comportamento esperado do sinal me- dido. Quando alocados nos dispositivos (RNA com pesos sinápticos aprendidos), os AO tentam predizer ou inferir o sinal e comparam-no com o sinal real. Caso exista uma difer- ença significativa entre os sinais o agente indica que existe um problema.

3.2.2

Agentes de Diagnóstico

Quando um problema (falha) é detectado, ele deve ser corretamente diagnosticado para garantir uma correção apropriada. O Agente de Diagnóstico, assim como o agente de observação, usa redes neurais artificiais para diagnosticar corretamente qual problema está ocorrendo no sistema. Esta abordagem é baseada no trabalho de Detecção e Isola- mento de falhas de Fernandes et al. (2007).

A maioria dos sistemas DDF (Detecção e Diagnóstico de Falhas) considera a com- paração de uma ou mais variáveis do sistema real com a sua respectiva variável em um sistema simulado ou inferido por uma RNA (que deve corresponder ao real). Essa com- paração é feita a partir da diferença entre a variável obtida no sistema real e a variável gerada pela rede neural. Esta diferença é denominada resíduo. Dependendo do valor desse resíduo é possível saber que falha está ocorrendo.

O que o agente de diagnóstico faz é gerar, através de RNAs, resíduos que possam indicar uma falha. Neste caso, é realizado um treinamento da rede neural, simulando as possíveis falhas do sistema. Uma vez treinada a saída RNA, com base nas variáveis cap- tadas nos dispositivos, é comparada com o valor real medido. Os valores de resíduos que podem indicar os tipos de falhas irão depender dos valores que estão sendo monitorados. No próximo capítulo será mostrado um exemplo de como essa abordagem é utilizada na prática.

3.2.3

Agentes de Execução

Quando um problema é detectado e diagnosticado pelos agentes de observação e diag- nóstico respectivamente, os Agentes de Execução (AE) mudam as interconexões (sessão 3.1) dos blocos funcionais para alocar um algoritmo (software sensor), geralmente uma rede neural, para corrigir o problema ou a falha. A organização desse blocos determina a aplicação utilizada pelo EA pra resolver o problema. Os AEs podem se comportar (ser configurados) de diferentes formas, dependendo da falha apresentada.

Como já citado anteriormente, a implementação dos agentes é baseada na estrutura formada pelos blocos funcionais dos dispositivos de campo. Cada bloco funcional executa um tipo de função e diversas aplicações são implementadas pela junção de diversos blocos funcionais. Neste primeiro exemplo (simples), a Figura 3.6 mostra uma configuração de blocos funcionais vista no Syscon. São através de interconexões como essas que os agentes de execução serão representados.

Input Output PID OUT OUT IN _{BKCAL_IN} BKCAL_OUT CAS_IN

Figura 3.6: Sistema simples de controle baseados baseado em blocos funcionais Uma variável de entrada é adquirida pelo bloco funcional responsável pela leitura (Input). Este valor é processado por um algoritmo interno do bloco funcional que compara o valor de entrada com um valor de referência, criando um valor de saída, usando o bloco PID (Proportional-Integral-Derivative)2_{. Outro tipo de agente de execução é ilustrado na}

Figura 3.7. Neste caso, a estrutura formada pelos blocos funcionais representa uma filtro de ruídos baseado em uma rede neural.

Figura 3.7: Filtro de Ruídos baseado em blocos funcionais

A flexibilidade da camada de aplicação (representada pelos blocos funcionais) do foundation fieldbus, permite diferentes implementações no nível de campo. A combi- nação de blocos aritméticos e caracterizadores produz uma configuração similar a neurônios artificiais [Silva et al. 2006] (sessão 1.5). Assim, podemos ter diversas arquiteturas de re- des neurais gerando uma variedade de agentes de execuções diferentes.

Por exemplo: se o problema detectado é uma interferência na medição acarretada por um ruído externo, blocos funcionais dos dispositivos de campo são combinados formando

uma rede neural que atue como filtro de ruído [Costa 2006]. Se for detectado uma perda de precisão na medição de um sensor, por exemplo, o AE pode agir como um algoritmo, também baseado em rede neural, de auto-compensação de um determinado sensor [Cagni et al. 2005].