Análise de desempenho de método baseado em rede LSTM para classificação de falhas em um processo de controle de nível

Oliveira, Luiz Affonso Henderson Guedes de

Universidade Federal do Rio Grande do Norte

2020-08-28

Classificação de falhas

Redes neurais

Redes neurais recorrentes

Long short-term memory

Planta piloto

Devido ao aumento das exigências no monitoramento de operação em plantas industriais, metodologias para detecção e diagnósticos de falhas na operação desses processos vêm ganhando cada vez mais protagonismo, pois podem contribuir em soluções mais assertivas e até preditivas nos componentes que geraram tais perturbações ao bom funcionamento do sistema. Com o crescimento das abordagens orientadas a dados, as Redes Neurais Artificiais se tornaram consideráveis aliadas na solução destes problemas, sendo que as Redes Neurais Recorrentes, em especial, ganharam força devido a sua afinidade em lidar com séries que possuem ligações temporais entre suas amostras, que é o caso de monitoramento de variáveis de processos industriais. Devido a esta relevância, nesta dissertação é analisado o desempenho de um modelo baseado em rede neural recorrente do tipo Long Short Term-Memory (LSTM) para a detecção e classificação de falhas em um processo de controle de nível em escala piloto. Para a análise de desempenho foi empregada uma metodologia baseada em testes estatísticos de Monte Carlo, onde se analisou a influência dos hiperparâmetros das redes LSTM, como quantidade de camadas e tamanho da entrada e regressores. A métrica escolhida para quantificar o desempenho da classificação de falhas foi a acurácia. Os dados obtidos a partir da operação da planta piloto continham 23 situações de distúrbios nesse processo, que foram provenientes de perturbações aplicados em componentes como atuador, sensor, válvulas e o próprio tanque de água. A metodologia adotada se mostrou bastante eficiente para analisar tanto o desempenho quanto a robustez dessas redes neurais para a atividade de classificação de falhas, além de indicar as melhores configurações de arquitetura da rede.

Due to the increasing demands in the operation monitoring of industrial plants, methodologies for fault detect and diagnose in the operation of these processes are gaining more and more importance, because they can contribute to more assertive and even predictive repairs in the components that generated such disturbances to the proper functioning of the system. With the growth of data-oriented approaches, Artificial Neural Networks have become considerable allies in solving these problems, and Recurrent Neural Networks, in particular, has gained strength due to their affinity in dealing with series that have temporal links between their samples, which is the case of industrial process variables monitoring. Due to this relevance, this dissertation analyzes the performance of Long Short-Term Memory (LSTM) recurrent neural network for the detection and classification of faults in a pilot-scaled level control process. For the performance evaluation, a methodology based on Monte Carlo statistical tests was used, in which the influence of the LSTM network hyperparameters, such as the number of layers and size of the input and regressors, was analyzed. The accuracy was the metric chosen to quantify the fault classification performance. The data set obtained from the operation of the pilot plant contained 23 situations of disturbances in this process, which resulted from disturbances applied to components such as sensors, valves, and the water tank itself. The adopted methodology proved to be quite efficient to examine both the performance and the robustness of these neural networks for the fault classification activity, in addition to indicating the best network architecture configurations.