Vous êtes sur la page 1sur 14

SISTEMA INTELIGENTE PARA DETECO E DIAGNSTICO DE FALHAS EM

GERADORES DE ENERGIA ELTRICA DE USINAS TERMOELTRICAS


Luiz Biondi Neto1
Fernando Hideo Fukuda2
Pierre Teixeira Rodrigues3
Marcio Amrico4
Moacir Pereira Lima Junior5

Resumo: Admitindo-se que todos os dispositivos de proteo dos Geradores Termoeltricos de uma
usina operem normal e precisamente e que os alarmes enviados pelos dispositivos de sensoriamento sejam
recebidos corretamente, uma ocorrncia de falha ser congurada por um padro particular dos estados
desse conjunto de alarmes acionados. Assim, um alarme especco ou um conjunto desses alarmes acionados
simultaneamente podem indicar uma falha de um gerador. Tcnicas inteligentes se mostram adequadas
para tratar o processamento desses alarmes. A pesquisa envolveu 4 geradores de caractersticas praticamente
idnticas na qual foram mapeadas 27 falhas por Gerador. Foram modelados uma Rede Neural Articial e um
Sistema Especialista com a base de conhecimento armazenada em um sistema de gerenciamento de banco de
dados relacional. O sistema nal foi construdo, rigorosamente, conforme as necessidades apresentadas pela
Usina Termoeltrica Norte Fluminense (UTENF) e os resultados, segundo os especialistas atendem aos seus
requisitos na deteco e diagnstico das falhas dos geradores.
Palavras-chave: Diagnstico de Falhas em Geradores Termoeltricos; Processamento de Alarmes; Redes
Neurais Articiais, Sistema Especialista.

Abstract: Admitting that all Thermoelectric Generators protection devices of a plant operate normal and
precisely and that the alarms sent by sensory devices be received correctly, a fault occurrence will be congured
by a particular standard of the state of this set of activated alarms. Therefore, a specic alarm or a set of
these alarms activated simultaneously can indicate a fault of a generator. Intelligent techniques are adequate
to process these alarms. This research involved 4 generators of practically identical characteristics in which
27 faults were mapped for each Generator. They were modelled by an Articial Neural Network and an
Expert System with the knowledge base stored in a relational database management system. The system was
built, rigorously, conformably to the needs presented by the Usina Termoeltrica Norte Fluminense Plant
(UTENF) and the results, according to the experts, attend to their requirements in detecting and diagnosing
the generators failures.
Keywords: Faults Detection and Diagnosis in Thermoelectric Generators; Alarms processing; Articial
Neural Networks, Expert System.

1
2
3
4
5

Departamento de Engenharia Eletrnica, DETEL/FEN/UERJ, E-mail: luizbiondi@terra.com.br


Centro de Estudos da Faculdade de Engenharia, CEFEN/FEN/UERJ, E-mail: fernando@fukuda.com.br
Jordo Engenharia, JORDO, E-mail: pierre.rodrigues@jordaoengenharia.com.br
Jordo Engenharia, JORDO, E-mail: marcio.americo@jordaoengenharia.com.br
Usina Termoeltrica Norte Fluminense, UTENF, E-mail: mpereira@norteuminense.com.br

90

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

1. INTRODUO
Provenientes dos diversos dispositivos de
sensoriamento distribudos pelo sistema termoeltrico, um conjunto especco de alarmes mapeia
uma falha do sistema KHAN (2007) e MERCEDE (1993). Esses alarmes so sinais binrios
que revelam, basicamente, o estado 1 / 0 dos
sensores, rels de proteo e disjuntores, embora
sinais referentes situao da tenso, corrente e
freqncia tambm possam ser recebidos do sistema de aquisio de dados.
Se todos os dispositivos de proteo operar normal e precisamente e, alm disso, os dados
enviados pelos dispositivos de sensoriamento forem recebidos corretamente, uma ocorrncia de
falha ser congurada por um padro particular
dos estados desse conjunto de alarmes acionados
DAVIS (2006) e HEWITSON (2004). possvel
que apenas um alarme acionado dena uma situao de operao anormal e conseqentemente
uma falha no gerador, situao semelhante a que
ocorre no caso investigado.
Assim o problema da deteco de falhas revela-se como um problema tpico de classicao
e ocorrncias de falhas e podem ser detectadas por
operadores. No entanto, fatores como a fadiga, a
inexperincia e a diculdade do operador em lidar
com situaes no usuais ou de misses crticas,
levam, eventualmente, a diagnsticos incorretos,
com conseqente prejuzo da segurana e ecincia do sistema eltrico.
Os sinais de alarmes usados na modelagem
de nosso problema foram: Distncia de fase; Variao de Volts / Hz; Subtenso (mdulo); Subtenso harmnica; Direcional de potncia; Perda de campo; Sobrecorrente seqncia negativa;
Sobrecorrente instantnea; Falha no disjuntor;
Tempo denido de sobrecorrente; Sobrecorrente
instantnea - neutro; Energizao inadvertida; Sobrecorrente de neutro (curva tempo inverso); Sobrecorrente (curva tempo inverso) com restrio
de tenso; Sobretenso (mdulo); Sobretenso
(mdulo) para neutro; Deteco de abertura de
fusvel; Proteo de escalonamento de carga; Freqncia; Taxa de mudana de freqncia; Diferencial de fase; Diferencial de terra; Sobrecorrente
no terminal do estator; Proteo de terra do campo / Deteco de desgaste das escovas; Falha no
disjuntor do gerador; Proveniente do BOP, CTs
e ST. - Falha no sistema de excitao da mquina;

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Trip por alta temperatura do gs frio do gerador.


Esses alarmes esto relacionados com os seguintes
equipamentos de proteo: 21; 24; 27; 27TN; 32;
40; 46; 50; 50BF; 50DT; 50N 50/27; 51N; 51V;
59; 59N; 60FL; 78; 81; 81R; 87; 87GD; 51T;
64F/64B; 86BF; 86-1, sendo que cada alarme
mapeia uma falha correspondente, segundo mapeamento fornecido pela usina.
Tcnicas computacionais inteligentes como
as Redes Neurais articiais (RNAs) BIONDI e
COELHO (2004), BIONDI e LINS (2004),
ZURADA (1992) e BRAGA (2000) , com caractersticas adaptativas de generalizao e de aprendizado por experincia, e os Sistemas Especialistas
(SE), que permitem o processamento simblico
do conhecimento organizado do problema, e podem ainda, tratar adequadamente as incertezas
que envolvem o processamento dos alarmes, tm
sido pesquisadas para auxiliar o prossional de
operao de sistemas BIONDI (2003).
Essas tcnicas, isoladas ou combinadas em
um sistema hbrido, visam deixar o operador mais
concentrado na ao corretiva nal a ser tomada,
na qual sua participao muito importante.
Assim o objetivo principal dessa pesquisa
investigar um Sistema Inteligente para Deteco
e Diagnstico de Falhas em Geradores de Energia
Eltrica de Usinas Termoeltricas.

2. FUNDAMENTAO TERICA
2.1 REDES NEURAIS ARTIFICIAIS
As RNAs so estruturas paralelas compostas
de neurnios articiais, densamente conectadas
que apresentam duas fases distintas de processamento: a aprendizagem (treinamento) e a execuo ZURADA (1992) e HAYKIN (1994).
Na aprendizagem so apresentados estmulos entrada denominados padres de treinamento um mapeamento envolvendo Alarmes e Falhas
denidos pelos especialistas em nosso caso o mapa
de falhas fornecido pela usina. Na fase de execuo, a RNA recebe como entrada um conjunto
de padres de testes (alarmes) que, normalmente, no zeram parte do treinamento e apresenta
o resultado, que no caso investigado representa a
Falha detectada.
A arquitetura utilizada foi baseada no Perceptron de Mltiplas Camadas (PMC). O algo-

91

ritmo usado no treinamento da rede PMC, denominado de retro-propagao do erro, pode ser
dividido em duas etapas: direta e reversa.
A primeira consiste na propagao dos estmulos apresentados entrada para a sada. Esses
estmulos uem por toda a rede, recebendo a computao neural, camada por camada, at gerarem
a sada. A partir do resultado desejado, calcula-se
um erro E na camada de sada.
A segunda etapa ocorre em sentido contrrio. O erro calculado ento retro propagado
atravs das camadas antecessoras, atualizando os
pesos W das conexes.
O algoritmo de retro-propagao de erro
baseado no mtodo do gradiente descendente,
que computa as derivadas parciais de uma funo
de erro, com relao ao vetor peso W de certo vetor de entrada HAYKIN (1994).
A regra de Widrow-Hoff ZURADA (1992)
a base fundamental de diversos mtodos de treinamento das RNAs, inclusive PMCs, HAYKIN
(1994). Esta regra avalia o erro E a cada iterao
atravs da derivada parcial desse erro E em relao
ao peso W. A variao do peso dada por (1):
 W ij  

E 
 W ij

(1)

O algoritmo de retro-propagao de erro se


baseia no modelo do aprendizado supervisionado, retro propagando o erro E da camada de sada
na atualizao dos pesos de todas as camadas da
RNA.
A camada de entrada, que no apresenta
atividade neural, tem apenas a nalidade de transferir os estmulos apresentados RNA para as camadas seguintes.
A camada de sada contm tantos neurnios
articiais quantos forem necessrios para modelar
o problema.
A estrutura pode ter uma ou vrias camadas
intermedirias de neurnios articiais.
O nmero de camadas e o nmero de neurnios por camada intermediria dependem da
complexidade do problema que se deseja resolver
inuindo, nalmente, na capacidade de generalizao da RNA.
Esses parmetros so ajustados durante o
treinamento e dependem da experincia prossional de quem est treinando a rede BIONDI
(2005).

92

A arquitetura do PMCs apresentada na


Figura 1, onde Ni, Nh e No correspondem, respectivamente, ao nmero de elementos da camada de
entrada, intermediria e sada.
Os vetores X, O e Target T representam o
estmulo apresentado a entrada, a resposta da rede
quele estmulo e o resultado desejado fornecido
pelo supervisor.
N
h,12
Ni

O
T

Sinal de
Erro

Figura 1. Perceptron de Mltiplas Camadas.


A seguir o algoritmo de retro-propagao
de erro desenvolvido passo a passo.
Passo 1 So apresentados rede os pares
estmulos X e resultados desejados (alvos) Tj correspondentes, disponveis no mapeamento feito,
previamente, por especialistas.
Chama-se de Netj a soma ponderada dos
estmulos pelos respectivos pesos.
Passo 2 - So calculadas, para todas as camadas, as respostas Oj de cada neurnio articial
que compe a rede.
Passo 3 - Na camada de sada calcula-se o
erro entre a resposta desejada T e a resposta atual
da rede Oj, usando-se a funo de custo E que
representa o erro quadrtico mdio (2).
Se E for menor que um valor mnimo prestabelecido, o treinamento encerrado; caso
contrrio calcula-se o sinal de erro, atualizando-se
os pesos por retro-propagao.

E

1 N
(T j  O j ) 2 

2 i 1

(2)
N

O j  F ( NET j )  F ( X iWij ) 

(3)

i 1

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

 ( NET j )
E
E


Wij  ( NET j ) Wij

(4)

Se NET j   X iWij 

(5)

 ( NET j )

(6)

i 1

Wij

 Xi 

E
E
Xi 

Wij  ( NET j )

(7)

O sinal de erro denido por (8):

E
j  
 ( NET j )

ij

 

E
 
 W ij

(9)

 (O j )
E
E
 j0  

 ( NET j )
 (O j )  ( NET j )

(10)

O j  F ( NET j )

(11)

 j0  

 F ' ( NET j )

E
E
  F ' ( NET j )
 ( NET j )
 (O j )

(12)

(18)

Ento:
E
E
  F ' ( NET j )
 (O j )
 ( NET j )

(19)

Para cada neurnio pertencente a cama intermediria tem-se (20):


N0
 ( NETk )
E
E


 (O j ) k 1  ( NETk )  (O j )
Nh

N0

E
k 1  ( NET k )



  OlWlk

(20)

l 1

 (O j )

Na qual l pertence a camada escondida.


O nico termo diferente de zero o de l = j e
vale Wjk.
N0
E
E

W jk
 (O j ) k 1  ( NETk )

(21)

(13)

Como o erro quadrtico mdio dado por


(2) vem que:

E
 (T j  O j )
 (O j )

(17)

Reescrevendo o erro E em funo de NET,


possvel vericar a contribuio de cada neurnio articial de cada camada intermediria.
Assim se:

 jh  

Passo 5 - Para os neurnios articiais da camada de sada o valor do sinal de erro j0 e da


atualizao dos pesos dado por (13):

 ( NET j )

1 No
 (Tk  O k ) 2 
2 k 1

(8)

Passo 4 - Denio e clculo do sinal de


erro para cada camada da rede.

(O j )

E

E= E(NET1, NET2, NET3, . . . NETk, . . ., NETN0)

Os pesos so atualizados por (9):


W

Passo 6 - Para os neurnios das camadas intermedirias o valor do sinal de erro jh e da atualizao dos pesos calculado da seguinte forma:
Suponha inicialmente que k pertena camada
de sada (17).
Assim:

(14)

Como:
E
k  
 ( NETk )

(22)

N0
E
   kW jk
 (O j )
k 1

(23)

 j0  F ' ( NET j )(T j  O j )

(15)

Ento: a variao do peso dada por (16):


Wij   j0 X i  F ' ( NETj )(T j  O j ) X i 

(16)

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Ento:

 jh   F ' ( NET j )

N0
E
 F ' ( NET j )  kW jk (24)
 (O j )
k 1

Finalmente, atualizam-se os pesos na camada escondida por (25):

93

N0

Wij   jh X i  F ' ( NET j )  kW jk X i 

(25)

k 1

O algoritmo de retro-propagao, embora


aplicado com xito em vrias aplicaes, apresenta algumas diculdades: tempo de convergncia
longo; paralisia da rede; e mnimo local CIHAN
(2007).
Se a taxa de aprendizado e a arquitetura da
rede no forem escolhidas adequadamente ou se
o ajuste dos pesos for innitesimal, o tempo de
treinamento cresce innitamente.
Por outro lado, a rede pode operar em uma
regio onde a derivada da funo de ativao seja
nula ou innitamente pequena, provocando a paralisia da rede.
A equao (13) mostra que se a derivada da
funo de ativao for nula, o reajuste dos pesos
tambm ser nulo e o treinamento ca paralisado.
Outro ponto que merece destaque a possibilidade da existncia de superfcies de erro que
apresentem mnimos locais.
Como se sabe, o algoritmo emprega o mtodo do gradiente decrescente, que ui na superfcie de erro, ajustando os pesos na direo de um
mnimo. Assim, durante o treinamento a rede
pode car presa em um desses mnimos locais, no
conseguindo chegar ao mnimo global HAYKIN
(1994).
A forma de minimizar esses problemas
encontrar o valor adequado para taxa de aprendizado . Se for muito grande o aprendizado
rpido, porm corre-se o risco de a rede entrar em
oscilao sem alcanar o mnimo desejado.
Se for muito baixo, aumentam as chances
de a rede car presa em um mnimo local ou, na
melhor das hipteses, o treinamento ser muito
lento.
A maneira de se oferecer mais estabilidade
ao algoritmo de retro-propagao atravs da adio de um termo conhecido por momento ().
O momento permite que o ajuste dos pesos,
a cada iterao, seja proporcional magnitude do
ltimo ajuste.
O termo geralmente escolhido menor
que a unidade. A equao (26) mostra a insero
do termo momento no ajuste dos pesos.

Wij (n 1)   j O j Wij (n) 

94

(26)

2.2 SISTEMA ESPECIALISTA


Um Sistema Especialista (SE) um programa inteligente de computador que usa raciocnio inferencial para solucionar problemas de um
campo especco do conhecimento humano. Sua
caracterstica principal a capacidade de explicao, semelhante a encontrada nos seres humanos,
dotados de alto grau de especializao GIARRATANO (2005) . A Figura 2 representa o diagrama
em blocos de um sistema especialista, composto
de dois mdulos principais: mquina de inferncia; e base de conhecimento.

I
N
T
E
R
F
A
C
E

MQUINA
MQUINA
DE
DE
INFERNCIA
INFERNCIA

BASE DE
CONHECIMENTO
BANCO DE
REGRAS

BANCO DE
FATOS

I
N
T
E
R

SADA PARA
O OPERADOR DO
SISTEMA ELTRICO

Diagnstico da Falha
Equipamentos Envolvidos
Alarmes Acionados
Motivos Provveis
Ao Corretiva

F
AQUISIO
DE
CONHECIMENTO

A
C
E

ENTRADA PARA
O ENGENHEIRO
DE CONHECIMENTO

Editor da base de conhecimento

Figura 2. Sistema Especialista.


Alm dos blocos principais existe uma interface homem-mquina (HMI Human-Machine Interface), que o usurio ou o especialista se
comunique com o sistema sem a assistncia de um
programador.
A mquina de inferncia ou interpretador
de regras guia o processo de raciocnio atravs da
base de conhecimento, comparando fatos contidos na base de fatos com o conjunto de regras.
Por muito tempo foram usados programas
que continham heursticas gerais de como solucionar problemas. Entretanto se o conhecimento estiver representado por lgica matemtica a
mquina de inferncia o mtodo de Resoluo.
Neste caso, descreve-se o problema atravs de lgica de 1 a. ordem ou de predicados, deduzindo-se
as solues por um procedimento geral de provas
GIARRATANO (2005) , RUSSELL (2003) .
Se o conhecimento estiver representado
por regras de produo a mquina de inferncia
o encadeamento para frente ou o encadeamento para trs. No encadeamento para frente o objetivo descobrir conseqncia de novos fatos e
no encadeamento para trs a prova da hiptese
procurada na base de conhecimento (regras e
fatos).
ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Assim, a mquina de inferncia a parte


do sistema inteligente responsvel pela gerao
de novos conhecimentos obtidos atravs da manipulao da base de conhecimentos existente e
depende da maneira como o conhecimento est
representado.
A base de fatos responsvel pelo armazenamento do contexto do sistema em um dado
instante de tempo, deixando esses dados disponveis para serem usados pelo sistema a qualquer
momento. Assim, antes de uma regra ser aplicada,
seus elementos condicionais devem estar presentes na base de fatos (contexto).
A base de regras encerra o conjunto de todas as regras de produo, necessrias para representar o conhecimento estruturado do problema.
Uma regra de produo representada por um
par ordenado (condio, ao), onde a condio
uma expresso lgica de fatos e a ao a gerao
de novos fatos. Se a condio for verdadeira uma
regra est apta a ser disparada RUSSELL (2003).
O disparo da regra cria novos fatos que so atualizados, na base de fatos, para que outras regras
que possuam esses fatos em sua condio possam
ser satisfeitas.
Finalmente, importante ressaltar o processo de aquisio do conhecimento, realizado
atravs da interao com especialistas humanos.
Nessa etapa o engenheiro do conhecimento, administrador da base de conhecimento, atravs de
inmeras entrevistas com diversos especialistas
da rea do conhecimento do problema, procura
construir e aperfeioar a base de conhecimento.
Muitas vezes as informaes passadas pelos diversos especialistas, embora corretas e conveis, so
eventualmente incompletas ou conitantes, tornando esta fase a mais crtica no desenvolvimento
de qualquer sistema especialista.
Atualmente sistemas que permitem adquirir,
processar e armazenar o conhecimento so baseados
em sistemas de gerenciamento de banco de dados
relacionais, facilitando sobremaneira a ao do engenheiro do conhecimento no tocante ao aproveitamento das facilidades inerentes nestes softwares,
eliminando a necessidade de implement-las.
2.3 SISTEMA DE GERENCIAMENTO DE
BANCO DE DADOS RELACIONAL
Os dados so fatos que possuem um signicado implcito. Um banco de dados uma

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

coleo de dados relacionados com algum signicado inerente SILBERSCHATZ(1997). Um


banco de dados representa alguns aspectos de um
mundo real particular conhecido como universo de discurso ELMASRI (2005). Um sistema
de gerenciamento de banco de dados relacional
(SGBDR) uma coleo de softwares de propsito geral que facilita o processo de: denir,
construir e manipular um banco de dados (BD);
situada entre uma ou mais aplicaes (APs) e um
ou mais BDs ELMASRI (2005). Portanto, um
SGBDR uma camada intermediria, conhecida
tambm como midleware, que prov a interface
entre as aplicaes e os BDs, conforme mostrado
na Figura 3.
Esta arquitetura permite que as aplicaes compartilhem as funes especializadas
existentes na coleo de programas do SGBDR
e desta forma evita-se que estas funes sejam
implementadas nas aplicaes. As principais
vantagens dos SGBDRs so: separao entre
programas e dados, armazenamento persistente
dos dados, padronizao dos dados, compartilhamento dos dados, controle de redundncia
dos dados, restries de integridade, restrio
de acesso, eliminao de cdigos redundantes
nas aplicaes para gerenciamento de dados,
exibilidade, disponibilidade e escalabilidade
SILBERSCHATZ (1997) e ELMASRI (2005).
O conjunto formado pelo SGBDR e os BDs
conhecido como sistema de banco de dados ELMASRI (2005).

AP 1

AP 2

AP N

SGBDR
BD

Figura 3. Arquitetura em camadas de um


sistema de banco de dados.

A modelagem de um BD de um SGBDR
realizada atravs do modelo entidade-relaciona-

95

mento (MER) que especica: entidades de dados,


relacionamentos entre as entidades de dados, atributos das entidades de dados e regras de um BD
ELMASRI (2005).
Uma entidade um objeto do mundo real
que pode ser identicada de forma unvoca em
relao a todos os outros objetos. Uma entidade
pode ser concreta, abstrata ou um conceito. Uma
entidade representada por um conjunto de atributos.
Os atributos so propriedades descritivas
de cada membro de um conjunto de entidades.
Cada entidade tem atributos com seus prprios
valores. Para cada atributo existe um conjunto
de valores possveis, chamado domnio ou conjunto de valores SILBERSCHATZ (1997). Uma
super-chave um conjunto de um ou mais atributos que permitem identicar univocamente
uma entidade. Chaves candidatas so super-chaves para as quais nenhum subconjunto possa ser
uma super-chave. A chave primria uma chave
candidata escolhida pelo projetista do BD como
de signicado principal para a identicao de
entidades.
Um relacionamento uma associao entre uma ou vrias entidades SILBERSCHATZ
(1997).
As regras podem ser denidas como predicados, asseres ou verdades estabelecidas sobre entidades, relacionamentos e atributos, que
complementam a semntica de um modelo de
dados BARBIERE (1994). As regras podem ser
classicadas em: regras de entidades, regras de
relacionamentos, regras de atributos e regras de
negcio.
O projeto geral de um BD chamado esquema do BD, que denido durante o projeto
do BD SILBERSCHATZ (1997). O conjunto
de informaes contidas em determinado BD,
em um dado momento, chamado instncia do
BD SILBERSCHATZ (1997).
Os dados e os relacionamentos de um BD
de um SGBDR so representados por tabelas.
A linguagem padro suportada pela maioria dos SGBDR a Structured Query Language
SQL originalmente desenvolvida pela IBM e
atualmente mantida pelo ANSI e pela ISO SILBERSCHATZ (1997). A SQL atualmente permite denir, construir e manipular um BD ELMASRI (2005).

96

3. TREINAMENTO E RESULTADOS DA RNA


3.1 TREINAMENTO
A RNA foi treinada usando-se o algoritmo de retro-propagao de erro. Foram testadas
as metodologias usando-se o algoritmo de Levenberg-Marquardt RANGANATHAN (2004)
e ROWEIS (2003) e o algoritmo Resiliente de
retro-propagao de erro RIEDMILLER (1993)
que se mostrou o mais eciente.
O bom resultado atingido deve-se ao fato
do algoritmo usar o sinal do gradiente na atualizao dos pesos ao invs do mdulo do gradiente
normalmente usado nos demais. Dessa forma o
algoritmo converge mais rapidamente no nal
do treinamento fornecendo resultados plenamente satisfatrios.
A ferramenta computacional utilizada para
desenvolver as RNAs foi o ToolBox do MatLab
Vers: 2008a. Com esse aplicativo possvel treinar
e testar RNAs com diversas arquiteturas, variar os
parmetros de treinamento, escolher o algoritmo
de aprendizado de melhor desempenho e produzir
curvas de tima qualidade tcnica.
A mquina usada nos testes foi um computador com processador Intel Centrino Dual
Core, com freqncia de clock de 2,5 GHz, memria RAM de 4 GB e disco rgido de 200 GB.
Foram realizados diversos testes usando-se
diferentes arquiteturas, sendo adotada a arquitetura com uma camada escondida com 35 neurnios articiais.
A funo de ativao escolhida foi a tangente hiperblica e usada tanto na camada escondida quanto na de sada. A tolerncia de erro
de treinamento adotada foi de10-6.
Aproveitamos tambm para, durante o
treinamento, realizarmos os procedimentos referentes a validao e teste da rede. Para isso dos
padres de treinamento foram reservados 20 %
para validao e 20 % para teste. Dessa forma ao
nal do treinamento tem-se boa idia da capacidade de generalizao da mesma. Diversos testes
foram realizados visando escolher a congurao
mais adequada.
O Modelo da RNA referente ao Gerador
#1 mostrado na Figura 4 e dispem de 27 alarmes na entrada para 27 neurnios na sada, um
para cada falha, correspondentes ao mapeamento fornecido pela usina.

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

F1
A1

A27

R
N
A

Tabela 1 que representa a sada dos 27 neurnios


articiais (linhas) da RNA e que por questes de
espao e legibilidade so apresentados apenas 5
casos de Falhas detectadas (colunas).
Tabela 1 - Deteco Neural da Falhas

F27

FLH 1

FLH 2

FLH 3

FLH 4

FLH 5

FLH 6

0.9945 -0.9965 -0.9999 -0.9998 -0.9978 -0.9995


-1.0000 0.9970 -1.0000 -1.0000 -0.9999 -1.0000

Figura 4. Modelo da RNA do Gerador #1.

-1.0000 -0.9999 0.9987 -1.0000 -1.0000 -1.0000

As curvas de treinamento (Train), validao


(Validation) e teste (Test) citadas anteriormente e
referentes ao Gerador #1 esto mostradas na Figura 5.

-1.0000 -1.0000 -1.0000 0.9940 -1.0000 -1.0000


-1.0000 -1.0000 -1.0000 -1.0000 0.9999 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 0.9984
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -0.9982 -0.9999 -1.0000 -1.0000 -1.0000
-1.0000 -0.9999 -0.9988 -1.0000 -1.0000 -0.9999
-1.0000 -1.0000 -1.0000 -0.9998 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -0.9999 -1.0000 -1.0000 -0.9985 -0.9994
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000

Figura 5. Curvas de treinamento, validao e


teste do Gerador #1.
A curva de treinamento reete a variao do
erro quadrtico mdio em funo da quantidade
de pocas (epochs) isto , o nmero de vezes que
um conjunto completo de padres foi apresentado a RNA.
Os valores desejados especicados nos padres de treinamento foram +1 para situao de
Falha e -1 para situao de no ocorrncia de falha.
Esse aumento do poder de discriminao da
RNA s foi possvel, pois usamos como a funo
de ativao a tangente hiperblica que varia entre
-1 e +1 limitando a sada dos neurnios articiais
dentro dessa faixa.
3.2 RESULTADOS
Depois de devidamente treinada a RNA
generalizou adequadamente, conforme mostra a
ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

-1.0000 -0.9999 -1.0000 -1.0000 -1.0000 -1.0000


-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -0.9999 -0.9981 -1.0000 -0.9997 -0.9998
-1.0000 -0.9996 -1.0000 -1.0000 -0.9998 -1.0000
-1.0000 -0.9971 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -0.9999 -1.0000 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -0.9999 -1.0000 -1.0000
-1.0000 -1.0000 -1.0000 -0.9999 -0.9996 -1.0000
-1.0000 -1.0000 -1.0000 -1.0000 -0.9999 -1.0000
-0.9999 -1.0000 -1.0000 -0.9998 -0.9997 -1.0000

O resultado do teste nal, que envolveu


mais de uma centena de cenrios, apresentou erro
percentual mximo de 0.3782 % o que signica
que a rede, de fato, aprendeu os padres.
Considerando-se que as RNAs so tcnicas
adequadas classicao e portando boa opo
para a deteco da falhas, foram usadas inicialmente apresentando bons resultados, conforme
mostram a Figura 5 e a Tabela 1.
97

No entanto seria necessrio que alm da


RNA fosse usado um SE, constituindo dois mdulos distintos e apresentando maior diculdade
na manuteno do sistema completo.
Assim, buscou-se com o SGBDR uma melhor opo de desenvolvimento, mais integrada e
eciente, envolvendo a deteco e o diagnstico
da falha em um mesmo mdulo, usando-se as
RNAs para validao da deteco.

4. MODELAGEM E RESULTADOS DO
SISTEMA ESPECIALISTA COMPLETO
4.1 MODELAGEM
Uma regra de produo tem, em geral, a seguinte estrutura bsica BARBIERE (1994):
SE antecedente
ENTO conseqente
onde antecedente pode ser uma condio e o conseqente pode ser um fato. Neste caso, pode-se
considerar que o motor de inferncia do SE busca
na sua base de conhecimento um fato para uma
dada condio.
Assim, foi desenvolvido um mecanismo
equivalente de busca do fato para a condio em
particular usando-se tabelas que armazenam o
conhecimento. Assim, a regra de produo pode
ser traduzida para uma consulta em SQL com a
seguinte declarao:
SELECT conseqente FROM tabela
WHERE antecedente
onde a tabela ou o conjunto de tabelas armazenam o conhecimento do SE.
Como, por exemplo, considerando-se que
quando o alarme de identicao 2 do gerador de
identicao 1 ocorra, o SE tenha de inferir que o
cdigo do equipamento envolvido 24, teramos
a seguinte regra de produo simplicada:
SE gerador_id = 1 E alarme_id = 2
ENTO equipamento_cod = 24
onde gerador_id, alarme_id e equipamento_cod
so, repectivamente, os cdigos do gerador, do
alarme e do equipamento.

98

A modelagem da base de conhecimento do


SE usando MER pode ser realizada, por exemplo,
com as seguintes tabelas:
GERADORES
(@GERADOR_ID,GERADOR_DESC)
EQUIPAMENTOS
( @ E Q U I P A M E N T O _
ID,EQUIPAMENTO_COD, EQUIPAMENTO_DESC)
ALARMES
(@GERADOR_ID,@ALARME_
ID,EQUIPAMENTO_ID, ...) , onde @
GERADOR_ID REFERENCIA GERADOR_ID DA TABELA GERADORES;
ALARME_ID
REFERENCIA
ALARME_ID DA TABELA ALARMES
E EQUIPAMENTO_ID REFERENCIA EQUIPAMENTO_ID DA TABELA
EQUIPAMENTOS.
OCORRENCIAS
(@OCORRENCIA_DATA,
@OCORRENCIA_HORARIO,@GERADOR_ID,
@ALARME_ID, ...), onde @GERADOR_
ID REFERENCIA GERADOR_ID DA
TABELA GERADORES; ALARME_ID
REFERENCIA ALARME_ID DA TABELA ALARMES
As chaves primrias das respectivas tabelas
so indicadas pelo prexo @.
Considerando-se que a instncia das Tabelas 2, 3 e 4 sejam:
Tabela 2 Tabela equipamentos
equipamento
id

equipamento
cod

24

equipamento
desc
Variao de
Volts/Hz

Tabela 3 Tabela alarmes


gerador id alarme id equipamento id
1
2
1

...
...

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Tabela 4 Tabela ocorrncias


...
...

gerador id
1

alarme id
2

...
...

O cdigo do equipamento envolvido na


ocorrncia do alarme pode ser inferido das tabelas
pela seguinte declarao SQL:
SELECT DISTINCT equipamento_cod
FROMocorrencias, alarmes, equipamentos
WHEREalarmes.equipamento_id = equipamentos.equipamento_id AND alarmes.gerador_id =
ocorrencias.gerador_idAND alarmes.alarme_id =
ocorrencias.alarme_id ANDocorrencias.gerador_
id = 1 AND ocorrencias.alarme_id = 2
O SE do Sistema Inteligente de Deteco e
Diagnstico de Falhas (SIDDF) foi desenvolvido
em linguagem C++. A linguagem C++ orientada
a objetos e compilada e foi escolhida porque gera
cdigos executveis de alto desempenho e possibilita a portabilidade da aplicao. Desta forma, o SE
pode ser portado para plataformas Unix de 64/32
bits, Linux de Tempo Real de 64/32 bits, Linux de
64/32 bits, MS Windows Server, MS Windows
Vista, MS Windows XP Professional e Mac OS X.
A conexo do SIDDF em C++ com o SGBDR feita atravs do ODBC (Open Data Base Connectivity), um conjunto padro de interfaces, que
permitem ter acesso a uma vasta gama de banco de
dados sem a necessidade de codicar mtodos especializados.. Assim, o SIDDF suporta os principais
SGBDR do mercado como, por exemplo, Oracle,
IBM DB 2, MS SQL Server, Firebird, MySQL,
PostgreSQL, Ingres, Sybase, Pervasive SQL, Informix, Interbase, XBase Sequiter, Virtuoso.
As interfaces homem-mquina (HMI
Human-Machine Interfaces) grca e projetada
considerando-se os conceitos de usabilidade e
comunicabilidade adequados rea da aplicao,
que simplicam e facilitam as operaes dos usurios, maximizam a produtividade e a segurana, e
minimizam os riscos, danos e prejuzos.
Os principais recursos do SIDDF so:

Manter Cadastro de Usurios


Manter Cadastro de Geradores
Manter Cadastro de Equipamentos
Manter Cadastro de Alarmes
Manter Cadastro de Falhas

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Manter Cadastro de Motivos Provveis


Manter Cadastro de Aes Corretivas
Manter Registro de Ocorrncias de Alarmes
Pesquisar Ocorrncias de Alarmes em um
perodo
Detectar e Diagnosticar Falhas, que inclui
Exibir Motivos Provveis da Falha e Exibir
Aes Corretivas que podem tomadas pelo
operador, apoiando sua deciso.
4.2 RESULTADOS
A Figura 6 mostra a tela inicial do sistema
completo. Realiza-se ento o login do usurio
habilitando-o utilizar o sistema.

Figura 6. Tela inicial de login


Prosseguindo o usurio capaz de registrar,
consultar, alterar e excluir a ocorrncia do alarme.
possvel cadastrar geradores equipamentos, alarmes, falhas, motivos provveis, aes corretivas e
tambm usurios, bastando escolher a opo adequada conforme mostra a Figura 7.

Figura 7. Menu Principal

99

Para registrar a ocorrncia do alarme, basta


escolher

Como resultado da pesquisa mostrado,


sob forma de lista, Figura 11, qualquer uma dessas
ocorrncias pode ser marcada e conforme as Figuras 12 a 15 o resultado do Diagnstico da Falha
obtido.

o Gerador adequado, conforme mostra a


Figura 8.

Figura 8. Seleo do Gerador


A Figura 9 mostra como registrar adequadamente a ocorrncia de alarme.

Figura 11. Lista de Ocorrncias

Na Figura 12 a ocorrncia bem especicada e Falha detectada segundo informaes passadas pelos especialistas da usina.

Figura 9. Registro de Ocorrncia


A Figura 10 mostra como proceder a consulta de ocorrncia de alarmes, bastando para isso
digitar os limites de datas solicitados. Nesse caso
o sistema proposto apresenta a listagem mostrada
na Figura 11.

Figura 12. Deteco da Falha

Na Figura 13 mostrada a tela que atende


mais uma especicao dos especialistas da usina,
isto , a data, a hora e o nome do usurio responsvel pelo registro.

Figura 10. Consulta de Ocorrncia

100

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

5. CONCLUSES

Figura 13. Data, horrio e responsvel


Na Figura 14 apresentado o resultado
referente aos motivos provveis da ocorrncia da
Falha.

Figura 14. Motivos Provveis


Finalmente, na Figura 15 apresentado, visando apoiar a deciso do operador, um conjunto de aes corretivas que objetivam o retorno da
operao normal do gerador.

Figura 15. Aes Corretivas

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

Como produto nal desta investigao, foi


disponibilizado para usina um Sistema Inteligente
que realiza Deteco e o Diagnstico das 27 Falhas por Gerador, as quais os quatro geradores da
UTE Norte Fluminense podem ser afetados. Os
resultados alcanados mostram termos atingido o
objetivo principal da pesquisa.
O sistema proposto exibe uma lista da
ocorrncia de Alarmes, explicando caractersticas
relativas a data e hora da ocorrncia do alarme,
descrio do alarme, cdigo do equipamento, descrio do equipamento, descrio da falha e aes
corretivas a serem tomadas visando o retorno a
operao normal de funcionamento e em ltima
anlise apoiando a deciso do operador.
O sistema completo foi concebido usandose, como base, um gerenciador de banco de dados
relacional, baseado na linguagem padro SQL desenvolvida pela IBM.
O sistema especialista completo, que envolve a deteco e o diagnstico das falhas, desenvolvido nesse projeto de pesquisa, foi implementado
em linguagem C++.
As principais vantagens em se implementar
aplicaes na linguagem C++ o alto desempenho do cdigo executvel e a portabilidade.
Assim, caso haja necessidade da usina migrar para outra plataforma suportada, as mudanas no cdigo da aplicao sero mnimas ou inexistentes.
Como o mapeamento das falhas, fornecido
pelos especialistas da usina obedece a uma relao
de um padro de estados de alarmes para cada falha detectada e, alm disso, baseado na caracterstica do prprio SE, que infere a falha a partir deste
padro, no h erro na deteco das falhas.
No havendo erro de deteco, o SE completo s depende da qualidade das explicaes
inseridas no sistema. Como pode ser constatado
pela Figura 7 possvel registrar, consultar, alterar
e excluir a ocorrncia tornado as aes corretivas
cada vez mais renadas e seguras.
importante salientar que foram realizados muitos testes usando-se RNAs e os bons resultados apresentados servem como base de comparao com os obtidos pelo SE. Caso fossem
includas no produto nal, seria necessrio que
alm da RNA fosse incorporado um SE, constituindo assim dois mdulos distintos e apre-

101

sentando maior diculdade na manuteno do


sistema completo.
Buscou-se ento, com o SE especicado ao
longo da pesquisa, uma melhor opo de desenvolvimento, mais integrada e eciente, isto otimizada, envolvendo a deteco e o diagnstico da
falha em um nico SE.
Finalmente preciso ressaltar o apoio e a
total participao dos prossionais da UTENF
no sentido de disponibilizar os dados necessrios
e participar das alteraes realizadas ao longo da
pesquisa e desenvolvimento com vista a converter
esse trabalho de pesquisa e desenvolvimento em
uma ferramenta til ao dia a dia dos engenheiros
e operadores da usina Termoeltrica.

na Identicao e Diagnstico de Defeitos em Subestao, Eletricidade Moderna, Rio de Janeiro,


V. EM-367, N OUT-2004, pp. 194-205, 2004,
ISSN/ISBN: 01002104.
BIONDI, L. N., LINS, M. E., MOREIRA A. C.
Utilizao de Redes Neurais para Anlise Condicionada de Demanda de Emergia Eltrica, 11
CONGRESSO DA APDIO, 2004, Porto - Portugal. IO - 2004 - 11 Congresso da APDIO. Porto: Faculdade de Engenharia da Universidade do
Porto, 2004. V. 1, p. 72-72.
BRAGA, A. P., CARVALHO, A. C. P. L. F., LUDERMIR, T. B. Redes Neurais Articiais: teoria
e aplicaes, Livros Tcnicos e Cientcos - LTC,
2000.

6. AGRADECIMENTOS
Os autores agradecem as contribuies de
Mauricio Jos Ferrari Rey, da UERJ, Geraldo Braga e Jaime Oliveira, da UTE Norte Fluminense
recebidas durante o desenvolvimento do projeto e
na elaborao deste artigo.

CIHAN, H. (EDT) DAGLI & ANNA L. (EDT)


BUCZAK & DAVID L. (EDT) ENKE & MARK
(EDT) EMBRECHTS & OKAN (EDT) ERSOY Intelligent Engineering Systems Through
Articial Neural Networks - Amer Society of Mechanical, 2007

REFERNCIAS BIBLIOGRFICAS

DAVIS, T. Protection of Industrial Power Systems, Newnes Elsevier Ltda, 2nd Edition, 2006.

BARBIERE, C. Modelagem de Dados, Livraria e


Editora Infobook S. A., 1994.

ELMASRI, R., NAVATHE, S. B., Sistemas de


Banco de Dados, Pearson, 2005.

BIONDI, L. N., COELHO P. H., GOMES E.


G., MELLO, J. C., RIBEIRO, A. M. Identicao
de Falhas em Subestao: Um Sistema de Apoio
Deciso Baseado em Redes Neurais, Congresso
Nacional de Tecnologia da Informao e Comunicao, 2003, Bahia. SUCESU-NACIONAL.
Par: IDETI Eventos em Tecnologia da Informao, 2003.

GIARRATANO, J. C., RILEY, G. D. Expert Systems: Principals and Programming, 4th Edition,
Thomson Course Technology, 2005.

BIONDI, L. N., COELHO, P. H. G., CHIGANER, L., ANGULO, M. L., MONTEIRO, L.


A. P. Previso da Vazo Auente Mensal do Rio
So Francisco usando-se Redes de Elman, Engevista (UFF), Niteroi, v. 07, n. 01, p. 63-72, 2005,
ISSN: 14157314.
BIONDI, L. N., COELHO, P. H., RODRIGUES, M. A., ALVES, M. H. Sistema Inteligente

102

HAYKIN, S. Neural Networks a Comprehensive Foundation, Macmillan College Publishing


Company, 1994.
HEWITSON, L., BROWN, M., BALAKRISHNAN, R. Power System Protection, Newnes Elsevier Ltda, 2004
KHAN, S., SHEBA, K. AHAMED, G. Industrial Power systems, CRC press, 2007.
MERCEDE, F. Fault Calculations of Industrial /
Commercial Power Systems, Institute of Electrical and Electronic Engineers Publisher, 1993.

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

RANGANATHAN, A, (2004), The LevenbergMarquardt Algorithm, [Online]Disponvel:http://


www.cc.gatech.edu/people/home/ananth/lmtut.
pdf.
RIEDMILLER, M. and BRAUN, H. A Direct
Adaptive Method for Faster Backpropagation
Learning: The RPROP algorithm, Proceedings
of the IEEE International Conference on Neural
Networks, San Francisco, 1993, pp. 234-241.

RUSSELL, S., NORVIG, P. Articial Intelligence: A Modern Approach, Prentice Hall, 2003
SILBERSCHATZ, A., KORTH, H. F., SUDARSHAN, S. Sistema de Banco de Dados, Makron
Books, 1997.
ZURADA, J. M. Introduction to Articial Neural Systems, West Publishing Company, 1992.

ROWEIS, S. (2003), Levenberg Marquardt Optimization, [Online] Disponvel:http://www.


cs.toronto.edu/~roweis/notes/lm.pdf.

ENGEVISTA, V. 11, n. 2. p. 90-103, dezembro 2009

103