Identificação de falhas em sistemas reais e suas implementações em dispositivos embarcados

Abstract

Embora exista uma variedade de técnicas e algoritmos na área de identificação de falhas, a viabilidade de suas implementações em aplicações embarcadas reais ainda apresenta algumas lacunas a serem pesquisadas. Neste trabalho, serão explorados três estudos de caso diferentes que apresentaram resultados práticos e de valor científico. O primeiro estudo de caso aborda uma arquitetura aplicada ao monitoramento em tempo real de falhas em materiais. O segundo, uma arquitetura voltada para a detecção de falhas em dutos. Por fim, o terceiro se concentra na detecção de falhas no sistema de sensoriamento de um respirador mecânico de baixo custo desenvolvido pela UnB. Através do uso de técnicas de sensoriamento ultrassônico baseadas no efeito acustoelástico, é possível estimar potenciais falhas em materiais, avaliando o estresse e as deformações a que estão submetidos. O sensoriamento ultrassônico também pode ser aplicado na identificação de falhas em soldas, permitindo o mapeamento de possíveis trincas e falhas mecânicas em pontos críticos por meio da análise de imagens que revelam descontinuidades inesperadas. Neste trabalho, foi explorada a otimização das técnicas de alto custo computacional normalmente empregadas para o processamento desses dados ultrassônicos. Selecionando assim, a identificação de falhas em materiais como primeiro estudo de caso e a identificação de falhas em soldas como segundo estudo de caso. O algoritmo selecionado para a detecção de falhas nos dois primeiros estudos de caso foi uma combinação do Principal Component Analysis (PCA), utilizado para a redução da dimensionalidade dos dados, e do regressor Least Generalized Regression (LGR), responsável por determinar a presença ou ausência de falhas. A decisão de utilizar o PCA como ferramenta de redução de dimensionalidade foi feita por conta de sua simplicidade de implementação e fácil paralelização, visto que a seção de maior custo computacional do algoritmo se resume a um simples multiplicação matricial. Já a escolha do LGR foi motivada pelo seu baixo custo computacional na fase de inferência, permitindo a rápida execução do algoritmo após a determinação dos parâmetros do regressor. No contexto dos dois primeiros estudos de caso, uma nova arquitetura é apresentada para otimizar o problema de detecção de falhas em tempo real de materiais e soldas através da utilização de algoritmos de monitoramento de alto custo computacional. Uma vez que os parâmetros que representam o sistema sem falhas são carregados na arquitetura, o processamento de estímulos e respostas ultrassônicas permite a detecção de possíveis falhas no problema monitorado, através de uma análise de regressão do resultado do LGR. A arquitetura proposta apresenta resultados concretos de aceleração do desempenho do algoritmo PCA+LGR, apresentando um ganho de performance de pelomenos 12 vezes em relação a implementação do algoritmo em um processador ARM comercial. A arquitetura apresentada utiliza um dispositivo SoC (System-on-Chip), que integra hardware (FPGA) e software (ARM), para a implementação do modelo de identificação, visando maximizar o desempenho computacional e minimizar o consumo de energia. Os resultados finais de validação demonstraram alta precisão em um tempo significativamente menor do que o utilizado por um microcontrolador convencional, mesmo empregando uma quantidade reduzida de recursos computacionais do chip SoC-FPGA. Outra maneira de identificar falhas pode ser feita através da comparação entre a saída de uma planta estimada e as saídas da planta real. Essa estratégia é apresentada no terceiro estudo de caso, que detecta possíveis falhas em um sistema de sensoriamento de pressão integrado a um respirador mecânico real. Para estimar a planta do respirador mecânico, foi utilizada uma rede neural Radial Basis Function (LGR), que através de uma série de experimentos, foi capaz de estimar a pressão na linha principal do respirador através do uso dos dados de fluxo de ar e concentração de oxigênio. Para avaliar a efetividade do modelo de identificação de falhas no terceiro estudo de caso, foi realizada uma validação da planta estimada com base no critério estatístico R-squared (R2), aplicado às saídas do modelo operando em Free-Run (FR) e One-Step-Ahead (OSA). Para esse caso, a planta identificada apresentou um critério R2 de 0.66 para FR e 0.82 para OSA. Apesar dos valores de R2 não terem sido altos, eles foram suficientes para a aplicação proposta, visto que o objetivo do trabalho foi realizar uma comparação simples entre o valor estimado e o valor real para a identificação de falhas e descontinuidades no sistema de sensoriamento de pressão.