ads:
UNIVERSIDADE DO RIO GRANDE DO NORTEFEDERAL
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA
DE PETRÓLEO
Reconfiguração Dinâmica de Estratégias
Distribuídas em Dispositivos Foundation
Fieldbus para a Otimização de Processos na
Indústria do Petróleo
Leonardo Sávio Guanabara Ramalho
Orientador: Prof. Dr. Adrião Duarte Dória Neto
Co-orientador: Prof. Dr. Jorge Dantas de Melo
Natal, Junho de 2009.
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE DO RIO GRANDE DO NORTEFEDERAL
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA
DE PETRÓLEO
Reconfiguração Dinâmica de Estratégias
Distribuídas em Dispositivos Foundation
Fieldbus para a Otimização de Processos na
Indústria do Petróleo
Leonardo Sávio Guanabara Ramalho
Orientador: Prof. Dr. Adrião Duarte Dória Neto
Co-orientador: Prof. Dr. Jorge Dantas de Melo
Dissertação de Mestrado apresentada ao
Programa de Pós-Graduação em Ciência e
Engenharia de Petróleo da UFRN (área de
concentração: Automação na Indústria de
Petróleo e Gás Natural) como parte dos re-
quisitos para obtenção do título de Mestre
em Ciências.
Natal, Junho de 2009.
ads:
Reconfiguração Dinâmica de Estratégias
Distribuídas em Dispositivos Foundation
Fieldbus para a Otimização de Processos na
Indústria do Petróleo
Leonardo Sávio Guanabara Ramalho
Dissertação de Mestrado aprovada em 29 de Junho de 2009 pela banca examinadora com-
posta pelos seguintes membros:
Prof. Dr. Adrião Duarte Dória Neto (orientador) . . . . . . . . . . . . . . . . DCA/UFRN
Prof. Dr. Jorge Dantas de Melo (co-orientador) . . . . . . . . . . . . . . . . . DCA/UFRN
Prof. Dr. Eduardo Oliveira Freire (examinador externo) . . . . . . . . . . . NEL/UFS
Prof. Dr. Luiz Affonso H. G. de Oliveira (examinador interno) . . . DCA/UFRN
Dedico esta dissertação de mestrado
à minha mãe Dulce Lêda
Guanabara que, ao longo de alguns
anos, vem me dando as lições mais
importantes para a minha formação.
Agradecimentos
Agradeço à minha família e à minha namorada Dani, pelo apoio e carinho constante
durante esta jornada.
À Instituição UFRN e aos membros do Departamento de Engenharia de Computação
e Automação, assim como aos membros do Programa de Pós-graduação em Ciência e
Engenharia de Petróleo.
Aos professores e amigos, Adrião, Jorge e Affonso, que contribuíram para minha for-
mação acadêmica e pessoal, além de confiarem sempre em meu trabalho.
Aos companheiros de trabalho e colegas que passaram pelo Laboratório de Avaliação de
Medição em Petróleo da UFRN, pela grande ajuda no desenvolvimento do trabalho. Em
especial, aos amigos Daniel Lopes, Bruno Costa e Vinícius Machado.
Resumo
A indústria petroquímica tem por objetivo obter, a partir do petróleo bruto, produtos
de alto valor comercial e de maior utilidade industrial para fins energéticos. Os processos
dessa indústria são complexos, geralmente operam com grandes volumes de produção
e em condições restritas de operação. O controle da operação em condições ótimas e
estáveis é importante para manter a qualidade dos produtos obtidos e a segurança da
planta.
Atualmente, as redes industriais têm alcançado destaque quando há a necessidade de
se realizar o controle do processo de forma distribuída. O protocolo para redes industri-
ais Foundation Fieldbus, por sua característica de interoperabilidade e sua interface com
usuário organizada em blocos de simples configuração, tem grande notoriedade dentre o
grupo de redes para automação industrial.
O presente trabalho agrega os benefícios trazidos pela tecnologia de redes industri-
ais à complexidade inerente dos processos ligados a industria petroquímica. Para tal, é
proposto um sistema para reconfiguração dinâmica de estratégias inteligentes (redes neu-
rais artificiais, por exemplo) baseado na camada de aplicação do usuário do protocolo,
o qual poderá permitir o uso de diferentes aplicações em um determinado processo, sem
intervenções de operadores e com as garantias necessárias para o bom funcionamento da
planta.
Palavras-chave: Redes Industriais, Foundation Fieldbus, Sistemas Inteligentes, Re-
des Neurais.
Abstract
The petrochemical industry has as objective obtain, from crude oil, some products
with a higher commercial value and a bigger industrial utility for energy purposes. These
industrial processes are complex, commonly operating with large production volume and
in restricted operation conditions. The operation control in optimized and stable condi-
tions is important to keep obtained products quality and the industrial plant safety.
Currently, industrial network has been attained evidence when there is a need to make
the process control in a distributed way. The Foundation Fieldbus protocol for industrial
network, for its interoperability feature and its user interface organized in simple configu-
ration blocks, has great notoriety among industrial automation network group.
This present work puts together some benefits brought by industrial network techno-
logy to petrochemical industrial processes inherent complexity. For this, a dynamic recon-
figuration system for intelligent strategies (artificial neural networks, for example) based
on the protocol user application layer is proposed which might allow different applications
use in a particular process, without operators intervention and with necessary guarantees
for the proper plant functioning.
Keywords: Industrial Network, Foundation Fieldbus, Intelligent Systems, Neural
Networks.
Sumário
Lista de Figuras iii
Lista de Tabelas v
Lista de Símbolos e Abreviaturas vi
1 Introdução Geral 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Escopo do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Possíveis Aplicações . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Motivação e Objetivos do Trabalho . . . . . . . . . . . . . . . . . . . . . 5
1.4 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Protocolo Foundation Fieldbus 8
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Características Gerais do Protocolo . . . . . . . . . . . . . . . . . . . . . 10
2.3 Modelo de Comunicação em Camadas . . . . . . . . . . . . . . . . . . . 11
2.3.1 Nível Físico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Pilha de Comunicação (Enlace + Camada de Aplicação) . . . . . 13
2.3.3 Camada de Aplicação do Usuário . . . . . . . . . . . . . . . . . 20
2.4 OLE for Process Control - OPC . . . . . . . . . . . . . . . . . . . . . . 22
3 Redes Neurais Artificiais 24
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Definição e Propriedades das Redes Neurais . . . . . . . . . . . . . . . . 25
3.3 Modelo de um Neurônio Computacional . . . . . . . . . . . . . . . . . . 27
3.4 Arquitetura da Rede Neural . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1 Perceptron de Múltiplas Camadas . . . . . . . . . . . . . . . . . 29
3.5 Implementação em Blocos Funcionais Padrões . . . . . . . . . . . . . . 31
i
4 Proposta e Metodologia Experimental 33
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Metodologia Experimental . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.1 Ambiente Híbrido . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.2 Arquitetura do Ambiente . . . . . . . . . . . . . . . . . . . . . . 40
4.3.3 Rede Industrial Didática . . . . . . . . . . . . . . . . . . . . . . 40
4.3.4 Hardware de Integração . . . . . . . . . . . . . . . . . . . . . . 43
4.3.5 Software de Simulação . . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Exemplo de Estudo de Caso . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4.1 Principais Blocos Funcionais Utilizados . . . . . . . . . . . . . . 49
5 Resultados e Discussões 53
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2 Alteração entre Funções Matemáticas . . . . . . . . . . . . . . . . . . . 54
5.2.1 Sistema de Reconfiguração em Labview . . . . . . . . . . . . . . 57
5.2.2 Levantamento e Análise dos Resultados . . . . . . . . . . . . . . 58
5.3 Controle de um Tanque com Dinâmica Não-Linear . . . . . . . . . . . . 61
5.3.1 “Design” das Aplicações em Blocos Funcionais . . . . . . . . . . 62
5.3.2 Levantamento e Análise dos Resultados . . . . . . . . . . . . . . 66
6 Considerações Finais 69
6.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2 Contribuições da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3 Perspectivas e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . 71
Referências Bibliográficas 72
A Modelo Não-Linear - Tanque Cônico 75
Lista de Figuras
1.1 Evolução das Arquiteturas de Controle . . . . . . . . . . . . . . . . . . . 3
2.1 Malha de Controle baseada na tecnologia FF . . . . . . . . . . . . . . . . 11
2.2 Modelo de Comunicação em Camadas . . . . . . . . . . . . . . . . . . . 12
2.3 Codificação Manchester Biphase-L . . . . . . . . . . . . . . . . . . . . . 13
2.4 Preâmbulo, delimitador de início e fim do quadro FF . . . . . . . . . . . 13
2.5 Sinalização no Barramento H1 . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Escalonamento de acordo com Lista de Transmissão . . . . . . . . . . . 16
2.7 Ilustração do Escalonamento com Transmissões Síncronas e Assíncronas 17
2.8 Transmissão de Dados Assíncrona com “Token” . . . . . . . . . . . . . . 18
2.9 Fluxograma do Algoritmo do LAS . . . . . . . . . . . . . . . . . . . . . 19
2.10 Exemplo de blocos funcionais e links lógicos numa estratégia de controle 21
3.1 Modelo Não-linear de um Neurônio . . . . . . . . . . . . . . . . . . . . 28
3.2 Funções de Ativação de um Neurônio . . . . . . . . . . . . . . . . . . . 29
3.3 Exemplo de Arquitetura de uma Rede MLP . . . . . . . . . . . . . . . . 30
3.4 Neurônio Artificial Implementado no Ambiente Foundation Fieldbus . . . 31
3.5 Rede Neural MLP implementada na rede FF . . . . . . . . . . . . . . . . 32
4.1 Exemplo de Reconfiguração dos Blocos Funcionais . . . . . . . . . . . . 34
4.2 Exemplo de alocações de blocos funcionais para uma estratégia de controle 37
4.3 Metodologia para Desenvolvimento de uma Aplicação Distribuída . . . . 38
4.4 Arquitetura do Ambiente Híbrido . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Ponte Universal Fieldbus - DFI302 . . . . . . . . . . . . . . . . . . . . . 41
4.6 Diagrama de blocos do IF e o modo de ligação das entradas . . . . . . . . 42
4.7 Diagrama de blocos do FI e o modo de ligação das saídas . . . . . . . . . 43
4.8 Interfaces de Hardware para Interconexão entre o Processo e a Rede Industrial 44
4.9 Placa D/A PCI-1720U . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.10 Placa A/D PCI-1713 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.11 Circuito do RCV-420 configurado para conversão de loop de corrente em tensão 46
iii
4.12 Trecho em Labview para leitura/escrita através do padrão OPC . . . . . . 47
4.13 Rede Neural 1-3-1 simulando a função seno . . . . . . . . . . . . . . . . 48
4.14 Rede Neural 1-3-2-1 simulando a função exponencial . . . . . . . . . . . 48
4.15 Esquemático do Bloco de Entrada Analógica . . . . . . . . . . . . . . . 49
4.16 Esquemático do Bloco Aritmético . . . . . . . . . . . . . . . . . . . . . 50
4.17 Esquemático do Bloco Caracterizador de Sinais . . . . . . . . . . . . . . 51
4.18 Esquemático do Bloco de Saída Analógica . . . . . . . . . . . . . . . . . 52
4.19 Esquemático do Bloco de Controle PID . . . . . . . . . . . . . . . . . . 52
5.1 Validação da onda triangular no ambiente simulado . . . . . . . . . . . . 55
5.2 Validação da onda triangular no ambiente FF . . . . . . . . . . . . . . . 56
5.3 Validação da função seno no ambiente simulado . . . . . . . . . . . . . . 56
5.4 Validação da função seno no ambiente FF . . . . . . . . . . . . . . . . . 57
5.5 Exemplo de Interface em Labview para Reconfiguração da rede FF . . . . 58
5.6 Tempo de resposta do sistema para reconfiguração entre as funções . . . . 59
5.7 Tela do aplicativo FBView . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.8 Tempo de resposta do sistema para reconfiguração com estado de segurança 61
5.9 Resposta de rede neural simulando uma função seno no ambiente FF . . . 61
5.10 Janela de download do aplicativo Syscon . . . . . . . . . . . . . . . . . . 62
5.11 Interface do processo simulado em Labview . . . . . . . . . . . . . . . . 63
5.12 Funções de pertinência para o modelo não-linear do processo . . . . . . . 64
5.13 Funções de ponderação dos controladores PID . . . . . . . . . . . . . . . 64
5.14 Rede neural que simula as funções de ponderação dos controladores PID . 65
5.15 Design da aplicação para implementação dos dois escalonadores (Fuzzy e Neural) 65
5.16 Implementação em blocos funcionais para os dois escalonadores . . . . . 66
5.17 Tempo de resposta do sistema para reconfiguração com setpoint em 60% . 67
5.18 Tempo de resposta do sistema para reconfiguração com setpoint entre 20% e 80% 68
A.1 Modelo físico não-linear simulado de um tanque . . . . . . . . . . . . . . 75
Lista de Tabelas
2.1 Lista de Blocos Funcionais Padrões . . . . . . . . . . . . . . . . . . . . 10
2.2 Escalonamento para Transmissão Síncrona . . . . . . . . . . . . . . . . . 15
2.3 Tipos de Comunicação na FAS . . . . . . . . . . . . . . . . . . . . . . . 20
v
Lista de Símbolos e Abreviaturas
AI: Analog Input
AO: Analog Output
BT: Background Traffic
CD: Compel Data
CNPQ: Conselho Nacional de Desenvolvimento Científico e Tecnológico
DCA: Departamento de Engenharia de Computação e Automação
DCS: Distributed Control System
DD: Device Description
DDC: Direct Digital Control
DDL: Device Description Language
DDT: Distributed Data Transfer
DI: Discrete Input
DLL: Data Link Layer
DO: Discrete Output
DSP: Digital Signal Processor
FAS: Fieldbus Access Sublayer
FCS: Field Control System
FF: Foundation Fieldbus
FINEP: Financiadora de Estudos e Projetos
vi
FMS: Fieldbus Message Specification
FT: Foreground Traffic
IEC: International Engineering Consortium
ISA: International Society of Automation
ISO: International Organization for Standardization
ISP: InterOperable Systems Project
LAMP: Laboratório de Avaliação de Medição em Petróleo
LAS: Link Active Scheduler
MC: Macro-ciclo de Execução
MLP: Multi-Layer Perceptron
OLE: Object Linking Embedded
OPC: OLE for Process Control
OSI: Open System Interconnection
PCI: Peripheral Component Interconnect
PID: Controlador Proporcional-Integral-Derivativo
PLC: Programmable Logic Controllers
PN: Probe Node
PR: Probe Response
PT: Pass Token
RNA: Rede Neural Artificial
TD: Time Distribution
UFRN: Universidade Federal do Rio Grande do Norte
VCR: Virtual Communication Relationships
VFD: Virtual Field Device
XML: Extensible Markup Language
CAPÍTULO 1
Introdução Geral
CAPÍTULO 1. INTRODUÇÃO GERAL
2
1.1 Introdução
A evolução dos sistemas de controle tem sido bastante acentuada nas últimas décadas.
Nas suas primeiras versões, os controladores atuavam através de sinais pneumáticos e
eram localizados no campo, sendo operados localmente.
Posteriormente, com o controle feito através de sinais analógicos ou digitais, tornou-
se possível levar o sinal para os transmissores no campo, caracterizando um Controle
Direto Centralizado (Direct Digital Control - DDC), em que o dispositivo controlador
(computador digital) se encontrava numa sala de controle específica. Segundo [Zerbetto
2007], esse tipo de arquitetura surgiu em 1962.
A arquitetura acima citada possuía uma fragilidade. No caso, o fato de toda orga-
nização do sistema ser concentrada em um único dispositivo fazia com que uma falha
no mesmo gerasse uma parada total no sistema. Logo, em 1976 foi elaborado um novo
tipo de arquitetura conhecida como Sistema de Controle Distribuído (Distributed Control
System - DCS). As tarefas de controle passaram a ser distribuídas em diversos dispositi-
vos, fazendo com que um falha afetasse apenas uma parte do processo. Tal avanço só foi
possível com a criação dos Controladores Lógicos Programáveis (Programmable Logic
Controllers - PLC), unidades independentes capazes de realizar processamento, concen-
trando atividades de controle e fornecendo informações sobre o processo [Zerbetto 2007].
Entretanto, atualmente, o DCS só é considerado menos centralizado que o DDC, visto
que uma falha no sistema pode ocasionar outras falhas em cadeia [Berge 2001].
Uma nova arquitetura baseada numa maior capacidade dos dispositivos de campo é
a alternativa mais proveitosa, a chamada arquitetura de sistemas de controle de campo
(Field Control Systems - FCS) [Pantoni 2006].
Tal arquitetura consiste em uma rede industrial em que os sensores e atuadores do
sistema compartilham um meio físico para transmissão da informação. Sua principal
proposta é a distribuição do controle entre os dispositivos sensores, atuadores e contro-
ladores interligados em rede. Atualmente, diversos protocolos, os quais implementam a
arquitetura FCS, encontram-se disponíveis no mercado (Foundation Fieldbus, Profibus,
DeviceNet, WorldFip, por exemplo), cada qual com características próprias que os dife-
renciam, geralmente envolvendo o tipo de escalonamento de tarefas, políticas de acesso
ao meio e composição dos frames de mensagens.
A figura 1.1 apresenta a evolução das arquiteturas dos sistemas de controle previa-
mente comentada.
Dentre as várias tecnologias de Sistemas de Controle de Campo, destaca-se o proto-
colo Foundation Fieldbus (FF) por apresentar duas características particulares. Uma delas
CAPÍTULO 1. INTRODUÇÃO GERAL
3
Figura 1.1: Evolução das Arquiteturas de Controle
é a padronização da camada de aplicação, que é dividida em blocos contendo funcionali-
dades específicas. E a segunda, como consequência da primeira somada à possibilidade
de processamento distribuído, é a flexibilidade que a arquitetura permite ao engenheiro
de automação para desenvolver sua estratégia de controle. Já que os dispositivos FF são
providos de processador e memória e são capazes de executar seus próprios algoritmos de
controle [Silva 2005].
A padronização da tecnologia garante a interoperabilidade entre os produtos das várias
empresas associadas ao padrão, além de abrir a possibilidade de escolha, por parte dos
clientes, dentre dispositivos de vários fabricantes.
Os blocos funcionais, correspondentes à camada de aplicação na tecnologia FF, têm
um papel de importância no sucesso da interoperabilidade, já que os diferentes fabri-
cantes seguem as especificações de implementação dos algoritmos internos dos blocos.
Essa solução simplifica o desenvolvimento de diversas funcionalidades por permitir im-
plementações independentes, as quais apresentam uma interface bem definida com o resto
do ambiente, viabilizando uma fácil integração de novos algoritmos aos já existentes.
1.2 Escopo do Trabalho
O grande interesse no paradigma de redes industriais se deve ao potencial de pos-
síveis novas aplicações e funcionalidades na área de instrumentação e controle, tais como:
medição indireta de variáveis de processo, detecção de falhas e degradação em sistemas
CAPÍTULO 1. INTRODUÇÃO GERAL
4
de medição e implementação distribuída de estratégias de controle de processos, via con-
cepção e implementação de sensores de software.
Tais aplicações tornam-se viáveis a partir da integração da tecnologia das redes indus-
triais com algum tipo de estrutura inteligente capaz de servir de suporte à implementação
das funcionalidades comentadas acima. No caso, as características previamente citadas
do protocolo FF tornam possível sua integração com estruturas como as Redes Neurais
Artificiais (RNA) ou Lógica Fuzzy, as quais podem atuar como ferramentas inteligentes
para a concepção dos sensores de software.
Os sensores virtuais ou sensores de software são algoritmos computacionais utilizados
para resolver problemas como inferência de variáveis, predição para controle de uma
planta, estratégias de diagnósticos de falhas, dentre outros [Fortuna et al. 2006].
Um exemplo bastante utilizado no meio industrial é o da medição indireta. O sensor de
software é empregado no lugar de um sensor físico para obter a medição de uma variável
do processo a partir de valores de outras variáveis conhecidas [Fortuna et al. 2005] [Zanata
2005].
A alternativa para reconfiguração dinâmica das estratégias distribuídas nos instrumen-
tos da rede industrial se integra justamente na tentativa de dar maior adaptabilidade ao
protocolo de rede em questão. Com a possibilidade de se realizar reconfiguração de blo-
cos funcionais em execução, torna-se viável a implementação de diferentes sensores de
software agregados a uma rede industrial, os quais serão acionados sem intervenção na
planta do processo.
1.2.1 Possíveis Aplicações
Dentre alguns trabalhos que tratam de sistemas inteligentes aplicados à processos da
indústria petroquímica, há o exemplo demonstrado em [Zanata 2005], no qual realiza-se
a criação de um sensor virtual aplicado a uma coluna de destilação que é capaz de estimar
a composição dos produtos no topo da coluna utilizando, para tal, redes neurais artifici-
ais. Em [Fortuna et al. 2005], são apresentados alguns sensores de software aplicados
a diferentes processos de uma refinaria, com o intuito de diminuir custos operacionais e
diminuir danos ao meio ambiente, a partir de informações coletadas em tempo real.
As aplicações desenvolvidas nos trabalhos citados acima baseiam-se na mesma fer-
ramenta computacional para a obtenção de seus resultados. Devido a flexibilidade exis-
tente na camada de aplicação do usuário do protocolo FF, faz-se possível o uso da ferra-
menta rede neural implementada através de blocos funcionais padronizados pela tecnolo-
gia [Silva 2005]. A metodologia para reconfiguração dos algoritmos instanciados na rede,
CAPÍTULO 1. INTRODUÇÃO GERAL
5
por sua vez, torna viável a integração das diferentes funcionalidades em um determinado
processo.
Outros exemplos de aplicações de diferentes funcionalidades podem ser vistos em [Cagni
et al. 2005], em que há a realização da implementação de algoritmos para auto-calibração,
auto-compensação e auto-validação de sensores Fieldbus. Assim como em [Costa 2006],
em que algoritmos para filtragem estocástica são implementados nos sensores de uma
rede industrial Foundation Fieldbus.
Uma outra abordagem para as aplicações consiste na implementação de agentes in-
teligentes distribuídos no barramento de campo da rede industrial. Em [Buse & Wu 2004]
e em [Brennan et al. 2002], por exemplo, são apresentadas abordagens voltadas para teoria
de agentes, as quais estão associadas a sistemas de controle distribuído.
Um dos objetivos associados ao sistema de reconfiguração das estratégias de controle
distribuído nos dispositivos da rede consiste na tentativa de prover uma maior autonomia
à rede industrial, tornando o sistema como um todo capaz de realizar diagnóstico sobre
o funcionamento da operação e executar determinadas tarefas de correção para possíveis
falhas.
A arquitetura multi-agente aplicada a uma rede industrial FF é proposta em [Machado
et al. 2008a] [Machado et al. 2008b]. Tal arquitetura baseia-se na presença de agentes
inteligentes no barramento de campo de uma rede industrial realizando diferentes tarefas
de acordo com as necessidades do sistema (processo + rede industrial).
A alternância entre a ativação dos diferentes tipos de agente possui como base de
implementação a reconfiguração da rede industrial.
1.3 Motivação e Objetivos do Trabalho
A idéia para concepção deste trabalho surgiu das atividades desenvolvidas em dois
projetos de pesquisa realizados pelo grupo de Sistemas Inteligentes do DCA da UFRN.
O primeiro deles, o REDIC_SEN, criado através de um financiamento em conjunto
entre CENPES e FINEP, visava o desenvolvimento de sensores de software em ambi-
ente de redes industriais aplicados aos problemas de medição e controle na indústria do
petróleo.
O projeto gerou contribuições no aumento da eficiência e custo operacional dos pro-
cessos, e na disseminação do uso da tecnologia de sensores inteligentes.
O principal produto desenvolvido pelo projeto foi um sistema de concepção e imple-
mentação de redes neurais em sistemas supervisórios e/ou dispositivos de campo interliga-
dos em rede FF. A partir desse sistema, foram testadas as possibilidades de se implementar
CAPÍTULO 1. INTRODUÇÃO GERAL
6
novas funcionalidades para medição indireta, detecção de falhas, controle de processos e
modelos de inferência.
O segundo projeto de pesquisa, intitulado “Arquitetura Multi-Agente Baseada em Blo-
cos Funcionais em Redes Industriais Foundation Fieldbus”, foi criado através de um fi-
nanciamento do CNPq e teve como principal objetivo a inclusão de agentes inteligentes
[Machado et al. 2008a] [Machado et al. 2008b] no barramento de campo de uma rede
industrial.
Logo, utilizou-se a estrutura criada para a concepção dos sensores de software do
primeiro projeto para a implementação de um sistema de reestruturação em tempo de
execução das estratégias distribuídas nos dispositivos da rede FF, com o objetivo de auxi-
liar a implementação dos agentes inteligentes implementados no segundo projeto.
O objetivo do trabalho consiste, portanto, no estabelecimento de uma metodologia
que possa prover a reconfiguração dinâmica das estratégias distribuídas em uma rede
Foundation Fieldbus, trazendo um ganho relativo no âmbito dos sistemas para automação
industrial, já que características, como flexibilidade e adaptabilidade da rede, serão incre-
mentadas com o sistema proposto.
Serão apresentados diferentes tipos de aplicações para sensores de software e a maior
contribuição da proposta em questão é a possibilidade de usufruir dos diferentes tipos
de algoritmo de forma automática, contribuindo com características como flexibilidade
e adaptabilidade da rede industrial. Para tal, serão discutidos tópicos essenciais como a
segurança do sistema e o comportamento do processamento distribuído para alterações de
estratégias alocadas nos dispositivos da rede.
Um dos exemplos práticos para validação será a alteração entre duas estratégias de
controle inteligente para uma planta especificada no anexo A. No caso, serão discutidos
tópicos como a questão de intertravamento durante a alteração das estratégias, assim como
tempo de resposta do sistema para uma nova configuração dos blocos pré-instanciados na
rede industrial.
1.4 Estrutura da Dissertação
O presente documento está estruturado da seguinte forma: Os capítulos 2 e 3 apresen-
tam toda a base teórica do trabalho. São abordados tópicos específicos sobre o protocolo
de redes industriais Foundation Fieldbus e algumas características das Redes Neurais Ar-
tificiais.
O capítulo 4 demonstra a metodologia utilizada para a concepção do trabalho. No
caso, o modo como a proposta foi desenvolvida, destacando material e tecnologias uti-
CAPÍTULO 1. INTRODUÇÃO GERAL
7
lizadas.
Já o capítulo 5, relata os testes realizados com os respectivos resultados. Por fim, no
capítulo 6 são realizadas as considerações finais, com os comentários sobre dificuldades
encontradas e a contribuição alcançada com o trabalho.
CAPÍTULO 2
Protocolo Foundation Fieldbus
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
9
2.1 Introdução
O caminho para a tecnologia de rede de campo teve seu início nos anos 70 com as
primeiras tentativas de realizar controle distribuído no nível de dispositivos [Foundation
n.d.]. Com a introdução dos Sistemas de Controle Distribuído (DCS), tornou-se possível
espalhar o controle de forma inteligente através das instalações do processo.
No entanto, o nível de comunicação entre sensores e atuadores era praticamente ine-
xistente, assim como a quantidade de dados enviada até o elemento central do DCS.
Grande parte dos dispositivos se comunicava com os controladores através de sinais
pneumáticos ou sinais analógicos (baseados em loop de corrente de 4-20mA). Infor-
mações reais do processo eram limitadas e geralmente obtidas através de interpolações,
inferências e tecnologias proprietárias (sistemas de aquisição de dados ou gateways sim-
plificados) de alto valor comercial. Os níveis de complexidade e custo eram elevados e os
sistemas possuíam sérias restrições em termos de acesso a informação em tempo real.
Na década de 80, esforços consideráveis tornaram possível um elevado grau de de-
senvolvimento de um padrão para comunicação digital entre dispositivos de campo. Os
responsáveis por tal evolução formavam o comitê ISA SP50, o qual passou alguns anos
definindo detalhes técnicos e construindo um consenso para um padrão digital de rede de
campo.
De maneira equivalente, os maiores fabricantes na área de controle de processos con-
tinuavam a investir em pesquisas, buscando a criação de protocolos de comunicação di-
gital. Esses múltiplos esforços culminaram em um punhado de protocolos, os quais não
possuíam forma de interconexão [Foundation n.d.].
No fim do ano de 1994, a tecnologia para rede de campo ganhou uma direção promis-
sora. Dois consórcios paralelos, ISP (InterOperable Systems Project) e o WorldFIP, se
fundiram e formaram a Fieldbus Foundation. Essa nova organização trouxe, na tenta-
tiva de consolidar um padrão internacional, um conjunto de esforços críticos de maneira
rápida, como programas desenvolvidos pela organização, ensaios de campo e o estabele-
cimento de programas rigorosos para teste e registro de dispositivos fieldbus [Foundation
n.d.].
A Fieldbus Foundation é uma organização independente que não visa lucro e cujo
propósito é desenvolver e manter um padrão uniforme de redes de campo para automação
de processos: o Foundation Fieldbus. Os membros incluem usuários e fabricantes dos
dispositivos de campo e dos sistemas de automação. O objetivo da Fieldbus Founda-
tion foi, e ainda é, criar um padrão simples, internacional, de redes de campo para áreas
classificadas e que foi amplamente difundido como rede de campo padronizada pelo IEC
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
10
(International Engineering Consortium).
2.2 Características Gerais do Protocolo
Estruturalmente, o Foundation Fieldbus é um protocolo de comunicação determinís-
tico, bidirecional, digital e multiponto inspirado no modelo de referência ISO/OSI de sete
camadas para protocolos de comunicação digitais. O protocolo apresenta uma série de
características que o tornam um padrão interessante para o uso em aplicações industriais,
das quais podem ser citadas:
• segurança intrínseca para áreas de risco;
• barramento com alimentação para os sensores/atuadores;
• topologia em linha ou em árvore;
• capacidade de comunicação multi-mestre;
• comportamento dinâmico determinístico;
• transferência de dados distribuída (DDT);
• modelos de blocos padronizado para “interfaceamento” uniforme dos dispositivos;
• opções de extensões flexíveis baseadas em descritores de dispositivos (DD) [Sam
2000].
Tais características são embasadas em um conjunto de normas, o qual torna o padrão
apropriado para o emprego em aplicações industriais [Berge 2001].
Para a descrição das funções de um dispositivo e para a definição de um acesso uni-
forme aos dados, o Foundation Fieldbus contém blocos de funções pré-definidos. Os
blocos funcionais implementados em um dispositivo fornecem informações sobre as tare-
fas que o dispositivo pode executar. A tabela 2.1 apresenta os principais blocos de função
(alguns blocos terão seu funcionamento detalhado no capítulo 4).
Tabela 2.1: Lista de Blocos Funcionais Padrões
AI Entrada Analógica
AO Saída Analógica
DI Entrada Discreta
DO Saída Discreta
PID Controle PID
ARITH Bloco Aritmético
CHAR Bloco Caracterizador
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
11
A mudança para o paradigma de automação de processos em rede - desde o nível
da automação até o nível de campo - resulta em uma abordagem flexível e com pro-
cessamento distribuído. Isso diminui a carga em uma estação de controle de processos
centralizada, a qual pode ser substituída inteiramente por instalações de pequena escala.
Assim, uma malha de controle inteira pode ser implementada com pequenas unidades,
consistindo apenas de um sensor e um atuador com um controlador de processos inte-
grado se comunicando através da rede FF, como pode ser visto na figura 2.1 [Silva 2005].
Figura 2.1: Malha de Controle baseada na tecnologia FF
2.3 Modelo de Comunicação em Camadas
A especificação Foundation Fieldbus é baseada em um modelo de comunicação em
camadas, consistindo de três elementos principais (figura 2.2a). O nível físico FF equi-
vale ao da camada física OSI. Sua principal particularidade é o fato de que a alimentação
dos dispositivos pode usar o mesmo cabo em que trafegam os dados. A camada de co-
municação é composta por três subcamadas: a subcamada inferior de enlace de dados
(responsável pelo acesso ao meio físico e controle de erro); a subcamada intermediária
de acesso a serviços da rede - Fieldbus Access Sublayer (FAS) - e a subcamada superior
de montagem de mensagens - Fieldbus Message Specification (FMS) [Brandão 2005]. A
camada de aplicação do usuário garante a interoperabilidade entre os dispositivos, sendo
padronizada e completamente especificada. O protocolo não usa os níveis OSI 3, 4, 5
e 6. Cada nível no sistema de comunicação é responsável por uma parte da mensagem
que é transmitida no barramento. A seguir, serão detalhados todos os níveis presentes no
protocolo FF.
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
12
Figura 2.2: Modelo de Comunicação em Camadas
2.3.1 Nível Físico
A camada física é responsável por transformar os dados recebidos da camada de en-
lace de dados em sinais digitais que irão trafegar pela rede industrial, assim como realizar
o “interfaceamento” para o sentido contrário. Essa camada também é responsável por
inserir e remover o preâmbulo e o delimitador de início e fim de mensagem.
Os dados são codificados utilizando a codificação Manchester Bifase L, formando um
sinal conhecido como "série sincronizada", pois codifica no sinal a informação do relógio.
Utilizando esta codificação, o receptor dos dados interpreta uma transição positiva, que
ocorrer no meio do tempo de transmissão de um bit, como sendo um sinal lógico “0” e
uma transição negativa como sendo um sinal lógico “1” [Foundation n.d.] [Fie 2003].
O preâmbulo é utilizado para sincronização do relógio interno do receptor com o
da mensagem para poder decodificá-la corretamente. O delimitador de início e de fim
de quadro utilizam caracteres especiais N+ e N- que são transições de sinal, as quais
não ocorrem no meio do bit como os dados normais. Quando o receptor encontra um
delimitador de início de mensagem ele passa a receber dados até encontrar um delimitador
de fim de mensagem. Nas figuras 2.3 e 2.4 são exibidos a codificação dos dados, do
preâmbulo e dos delimitadores de início e fim de mensagem do protocolo FF.
O dispositivo que está se comunicando gera uma corrente de ± 10 mA numa taxa de
31,25 kbits/s que passa por uma carga de 50 ohm gerando uma variação de tensão de 1V de
pico a pico, sendo esta corrente modulada sobre a tensão da fonte de alimentação, podendo
esta última variar entre 9 e 32V. No fim e no início do cabo são utilizados terminadores de
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
13
Figura 2.3: Codificação Manchester Biphase-L
Figura 2.4: Preâmbulo, delimitador de início e fim do quadro FF
barramento que são filtros passa-faixa compostos por circuitos RC (resistor e capacitor) e
que são projetados para passar a freqüência de 31,25 kbits/s.
A figura 2.5 apresenta a modulação realizada neste barramento, conhecido no proto-
colo como H1.
2.3.2 Pilha de Comunicação (Enlace + Camada de Aplicação)
Como citado anteriormente, a pilha de comunicação é composta por três subcamadas:
a subcamada inferior de enlace de dados, a subcamada intermediária de acesso a serviços
da rede (FAS) e a subcamada superior de montagem de mensagens (FMS). As subcamadas
FAS e FMS juntas formam a camada de aplicação da pilha de comunicação.
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
14
Figura 2.5: Sinalização no Barramento H1
A camada de enlace de dados, também conhecida como DLL (Data Link Layer), pos-
sui como principais características a responsabilidade de gerenciar políticas de acesso ao
meio físico, uma vez que a topologia utilizada é de barramento, assim como, definir alguns
dos primeiros procedimentos de tolerância à falha do sistema, baseando-se na abertura e
fechamento de conexões, fluxo de controle e gerenciamento de erro [Cicillini 2007].
Os dispositivos de campo que seguem o protocolo Fieldbus são capazes de assumir
funções relativas ao controle de processos. Essa opção baseia-se na comunicação dis-
tribuída, garantindo que:
• cada dispositivo de campo pode trocar informação com os demais dispositivos
(como repassar a leitura de uma variável ou um valor corrigido);
• malhas de controle distintas não possuem interferência em suas execuções;
• dois ou mais dispositivos nunca acessam o barramento ao mesmo tempo.
Para tal, faz-se necessária a presença de um elemento central de comunicação: o Link
Active Scheduler (LAS).
O LAS é um serviço de comunicação oferecido pela subcamada de DLL, o qual con-
trola e escalona toda a comunicação sobre o barramento. É responsável pela organização
das atividades no meio de comunicação, usando diferentes comandos, os quais são en-
viados a todos os dispositivos através de mensagens em modo broadcast. Uma de suas
funções é a busca por novos dispositivos no barramento. Tal tarefa é realizada continua-
mente (é possível agregar novos dispositivos ao barramento em tempo de execução do
processo).
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
15
Os dispositivos que são capazes de assumir tais funções são conhecidos como Link
Master, caso contrário, recebem a denominação de Basic Devices [Berge 2001].
No caso de um sistema redundante, em que há mais de um instrumento Link Master,
um deles poderá assumir o papel de LAS, se houver uma falha no LAS original.
O controle dos serviços de comunicação utiliza transmissões de dados síncronas e as-
síncronas. Tarefas de tempo crítico, como o controle de variáveis do processo, são exclusi-
vamente realizadas por transmissões síncronas. Para o caso de tarefas como parametriza-
ção e funções de diagnótico, são utilizadas transmissões assíncronas [Sam 2000].
O conjunto das tarefas síncronas e assíncronas configura o macro-ciclo de execução
da rede industrial.
Transmissão de Dados Síncrona
Todas as operações de tempo crítico são baseadas em transmissões de dados agen-
dadas (síncronas). O escalonamento de tais tarefas deve ser criado pelo operador no
momento de configuração do sistema.
LAS periodicamente envia (através de mensagens em modo broadcast) sinais de sin-
cronização (TD: Time Distribution) no barramento para que os instrumentos possuam a
referência em termos de tempo de execução [Sam 2000].
A tabela 2.2 apresenta um exemplo do escalonamento realizado para um sistema com
dois sensores e duas válvula de controle. O agendamento realizado determina o momento
de execução de cada função associada aos dispositivos (entrada analógica, saída analógica
e controle PID).
Tabela 2.2: Escalonamento para Transmissão Síncrona
Dispositivo Tipo Ação Offset
1
Sensor execução AI(1) 0
transmissão AI(1) 20
2
Sensor execução AI(2) 0
transmissão AI(2) 30
3
Atuador execução PID(3) 40
execução AO(3) 62
4
Atuador execução PID(4) 40
execução AO(4) 57
Cada atividade a ser executada é agendada para um certo tempo. Esse tempo é definido
por um valor de offset, o qual reflete o atraso em relação ao começo do ciclo de execução.
Baseado nesse escalonamento, uma lista de transmissão é criada, a qual define quando
um dispositivo específico está apto a enviar seu dado. No momento em que recebe a
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
16
mensagem, o respectivo instrumento (publisher) envia o dado em modo broadcast para
todos os dispositivos do barramento que estão configurados para recebê-lo (subscriber).
O LAS realiza transmissões ciclicamente de acordo com a lista de dispositivos. Cada
tarefa é ativada pela ação do LAS (figura 2.6), como nos exemplos abaixo:
• se um dispositivo está apto a “publicar” sua variável medida (o item “a” da figura 2.6),
o LAS envia um comando CD (Compel Data) para o instrumento;
• diante do recebimento do comando CD, o dispositivo envia o valor para o barra-
mento;
• os subscribers da mensagem (os ítens “b” e “c” da figura 2.6) podem ler e utilizar
tal valor;
Figura 2.6: Escalonamento de acordo com Lista de Transmissão
Cada dispositivo de campo recebe um agendamento específico, tornando o gerencia-
mento mais simples. Cada tarefa tem um momento exato para acontecer, como o envio e
a leitura de valores por um instrumento [Berge 2001].
A figura 2.7 ilustra a seqüencia de ações para um escalonamento realizado para as
atividades da tabela 2.2. A seqüencia de passos é a seguinte:
• no tempo zero, os sensores 1 e 2 iniciam seus processos de medição;
• no tempo 20, o LAS permite ao sensor 1 o envio de sua medição para que possa ser
lido pelo controlador PID associado a válvula de controle 3;
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
17
• no tempo 30, o LAS permite ao sensor 2 o envio de sua medição para que possa ser
lido pelo controlador PID associado a válvula de controle 4;
• no tempo 40, as duas válvulas de controle estão processando suas funções;
• no tempo 57, a válvula 4 inicia sua atuação;
• no tempo 60, a válvula 3 inicia sua atuação;
• no instante de tempo 140, o processo reinicia (macro-ciclo de execução).
Figura 2.7: Ilustração do Escalonamento com Transmissões Síncronas e Assíncronas
É possível observar que o loop de controle acessa o barramento por um instante de
tempo muito pequeno comparado ao macro-ciclo total de execução. Logo, faz-se possível
a utilização do barramento de comunicação para outras atividades.
Transmissão de Dados Assíncrona
A parametrização de dispositivos e o diagnóstico de funcionamento dos mesmos são
atividades que exigem transmissão de informação. Contudo, ao contrário das ações de
controle de um processo, tais atividades não possuem característica de tempo crítico. Para
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
18
tais tarefas de comunicação, o Foundation Fieldbus provê uma opção para transmissão de
dados assíncrona [Sam 2000].
As transmissões de dados assíncronas são realizadas exclusivamente nos intervalos
entre as transmissões agendadas. O LAS atribui permissão a um dispositivo para usar o
barramento em uma tarefa assíncrona, se não houver uma comunicação síncrona ativa.
A permissão para tal operação ocorre quando o LAS realiza passagem de um token
a um dispositivo através de um comando PT (Pass Token). A entrega do token pode
ser realizada para qualquer instrumento que esteja na Live List (lista com os dispositivos
ativos no barramento - figura 2.8). A utilização do barramento se dá até o retorno do token
para o LAS, ou o alcance de um tempo limite para a utilização do objeto.
A lista dos dispositivos é continuamente atualizada pelo LAS, através de comandos
PN (Probe Node) para os endereços que ainda não fazem parte da lista. Se um dispositivo
retorna um comando PR (Probe Response), ele é adicionado a lista, podendo receber o
token para alguma tarefa assíncrona [Sam 2000].
Figura 2.8: Transmissão de Dados Assíncrona com “Token”
A atualização da lista com os dispositivos ativos é enviada constantemente pelo bar-
ramento, visto que na necessidade de troca do mestre da rede, não haverá perda de infor-
mação.
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
19
Agendamento da Comunicação
O LAS segue fielmente o escalonamento (figura 2.9) para evitar que a comunicação
assíncrona através de passagem de token, assim como comandos TD ou PN, não interfiram
na comunicação síncrona.
Antes de cada operação, o LAS consulta a lista de transmissão para checar por alguma
transmissão agendada. Se for o caso, ele espera (modo idle) por, precisamente, o tempo
agendado e então envia o comando Compel Data (CD) para ativar a operação.
No caso de não haver comunicações agendadas e existir tempo disponível para opera-
ções extras, o LAS envia um dos comandos a seguir: O PN, para procurar por novos dis-
positivos; um comando TD para que todos os dispositivos estejam exatamente no mesmo
tempo; ou o comando PT para passar o token da comunicação assíncrona. Esse ciclo se
repete, começando sempre pela checagem na lista de transmissão [Sam 2000].
Figura 2.9: Fluxograma do Algoritmo do LAS
Camada de Aplicação (FAS + FMS)
A subcamada intermediária de acesso aos serviços de rede (FAS) e subcamada supe-
rior de montagem de mensagens (FMS) formam a interface entre a camada de enlace de
dados da pilha de comunicação e a camada de aplicação do usuário. O serviços dessas
subcamadas são transparentes para o usuário final, mas de extrema importância para a
performance do sistema comunicação.
A FAS cria “Relações de Comunicações Virtuais” (VCR), as quais são utilizadas pela
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
20
subcamada superior. Tais relações consistem na descrição de diferentes tipos de processos
de comunicação. Os três tipos de comunicação podem ser vistos na tabela 2.3.
Tabela 2.3: Tipos de Comunicação na FAS
Modelo Cliente/Servidor Report Distribution Publisher/Subscriber
Operações de Notificação de Eventos Publicação de
Comunicação Envio de Alarmes Dados
Mudança de Setpoint Envio de Alarme do Envio de Variável
Processo para Operador de um Transmissor
para função PID
Tarefa Assíncrona Tarefa Assíncrona Tarefa Síncrona
A FMS provê serviços para padronização da comunicação. No caso, os tipos de dados
são relacionados a modos de comunicação distintos. Nessa subcamada, há a definição
dos Dispositivos de Campo Virtuais (VFD), os quais consistem em definições associadas
a dispositivos, contendo a especificação de dados e objetos que são suportados pelo ins-
trumento. Para tal, cada VFD está relacionado a descritores de objeto que são arquivos
indexados com especificação de tipos de dados.
2.3.3 Camada de Aplicação do Usuário
O critério mais importante para aceitação no mercado da tecnologia Fieldbus é a inte-
roperabilidade, permitindo que diversos instrumentos de fabricantes distintos possam ser
conectados. Outra característica associada à primeira é a de intercambialidade, a qual per-
mite a troca de dispositivos de diferentes fabricante sem o comprometimento da operação
em questão.
Tais características exigem a especificação de um protocolo aberto que defina funções
uniformes para dispositivos e interfaces de aplicações padronizadas. Para tal, o protocolo
Foundation Fieldbus baseia-se em um modelo de blocos e no conceito de descritores de
dispositivos [Berge 2001].
Modelo de Blocos
O Foundation Fieldbus associa todas as funções e dados dos dispositivos a três tipos
básicos de blocos [Foundation n.d.]: Os blocos de recurso (Resource Blocks), blocos
transdutores (Transducers) e os blocos funcionais (Function Blocks).
O bloco de recurso descreve características específicas do dispositivo Fieldbus, como
o seu nome, fabricante, número serial e as versões de hardware e firmware.
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
21
Os blocos funcionais descrevem as funções que podem ser associadas a cada dispo-
sitivo e o modo de como serão acessadas. O escalonamento das tarefas de comunicação
síncrona é baseado na organização desses blocos. Cada bloco realiza uma tarefa especí-
fica e, para isso, possui um conjunto de entrada e saída definido. Alguns blocos funcionais
foram apresentados na tabela 2.1.
Os blocos transdutores expandem a complexidade e as aplicações possíveis de um dis-
positivo. Seus dados influenciam os parâmetros de entrada e saída dos blocos funcionais.
Eles podem ser usados para calibrar, deslocar medidas, posicionar dados, linearizar ca-
racterísticas e converter unidades físicas.
Ao lado dos três tipos de blocos, os seguintes objetos também são definidos no modelo
de blocos:
• Link Objects - definem ligações entre os blocos funcionais, sendo essas internas
num dispositivo ou distribuídas na rede;
• Alert Objects - permitem reportar alarmes ou eventos na rede;
• Trend Objects - permitem o acompanhamento dos dados associados aos blocos fun-
cionais para análise em níveis gerenciais da planta;
• View Objects - conjuntos de grupos de dados predefinidos que podem ser utilizados
para visualização mais rápida de determinadas tendências.
A figura 2.10 exemplifica o modo como os blocos funcionais podem ser ligados
através dos links objects. Na figura, são realizadas ligações entre um bloco de entrada
analógica, um bloco de controle PID e um bloco de saída analógica. Tal configuração é
capaz de realizar o controle de um determinado processo real.
Figura 2.10: Exemplo de blocos funcionais e links lógicos numa estratégia de controle
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
22
No capítulo 4 serão apresentadas algumas características dos principais blocos fun-
cionais usados na concepção do trabalho, assim como o modo pelo qual os links entre os
blocos foram manipulados.
Descrição de Dispositivos
Durante a inicialização ou no gerenciamento, um sistema de comunicação aberto deve
garantir que computadores de alto nível (supervisão) possam: acessar todos os dados dos
dispositivos de campo e ter o próprio controle de como fazer isso.
As descrições de dispositivos (DD) contêm a informação necessária para preencher
esses requisitos. Elas fornecem a informação necessária para entender o significado dos
dados e apresentá-los ao operador [Fie 2003].
Para as funções básicas dos dispositivos, o Foundation Fieldbus usa diferentes blocos
funcionais e blocos transdutores. Por isso, diferentes DD estão disponíveis e podem ser
obtidos a partir da
Fieldbus Foundation
. Dispositivos FF podem interpretar e mostrar os
dados e funções desses blocos padronizados, assim como apresentá-los ao usuário através
de uma interface de operação.
Se um fabricante implementa funções e parâmetros extras em um dispositivo, ele deve
definir o conteúdo, o acesso e a representação em uma descrição de dispositivo completa
(estendida). Somente com o DD completo o dispositivo pode ser operado e aplicado por
inteiro.
As descrições de dispositivos são escritas usando a Device Description Language -
DDL (Linguagem de Descrição de Dispositivos) em forma de arquivo texto. Este arquivo
é, então, convertido e distribuído via Internet. Se o fabricante registrou o seu dispositivo
e seu respectivo DD à FF, então o DD pode ser obtido também, a partir da Fieldbus
Foundation [Sam 2000].
2.4 OLE for Process Control - OPC
Apesar de não estar associado diretamente ao padrão digital FF, a tecnologia OPC será
citada nesta seção, visto que através de um cliente OPC será realizada a reconfiguração
das estratégias instanciadas nos dispositivos da rede industrial.
No caso, um dos dispositivos da rede didática utilizada para validação da proposta
(será melhor detalhada no capítulo 4) servirá como servidor OPC, apresentando todas as
variáveis disponíveis na rede industrial. Logo, através de um aplicativo que implementa
um cliente OPC, faz-se possível a manipulação de tais variáveis alterando características
CAPÍTULO 2. PROTOCOLO FOUNDATION FIELDBUS
23
dos blocos funcionais e links lógicos existentes entre eles.
O padrão OPC estabelece as regras para que sejam desenvolvidos sistemas com inter-
faces padrões para comunicação dos dispositivos de campo (CLPs, sensores, atuadores)
com sistemas de monitoração, supervisão e gerenciamento [Costa 2006].
Dentre as especificações do padrão desenvolvidas, alguns exemplos podem ser cita-
dos:
• OPC Overview - Descrição geral dos campos de aplicação das especificações OPC;
• OPC Common Definitions and Interfaces - Definição das funcionalidades básicas
para as demais especificações;
• OPC Data Access Specification - Definição da interface para leitura e escrita de
dados de tempo real;
• OPC Alarms and Events Specification - Definição da interface para monitoração de
eventos.
Estas especificações têm a finalidade de orientar os desenvolvedores para a implemen-
tação das aplicações cliente e servidor.
O padrão baseia-se na tecnologia OLE (Object Linking and Embedding) desenvolvida
pela Microsoft em meados de 1990, para suprir a necessidade de se integrar diferentes
aplicações dentro da plataforma Windows [Costa 2006].
Dois grandes módulos são implementados pelo padrão: OPC Server e OPC Client.
Enquanto o OPC Server especifica interfaces padrão de acesso direto aos equipamentos
ou aplicações, o OPC Client especifica a interface padrão para as aplicações terem acesso
aos dados coletados.
Para o caso específico, a DFI302 (LAS da rede didática que será apresentada no capí-
tulo 4) é responsável pelo acesso aos demais dispositivos da rede e atua como servidor
OPC para disponibilizar os dados coletados.
CAPÍTULO 3
Redes Neurais Artificiais
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
25
3.1 Introdução
O presente trabalho, como citado no capítulo 1, tem como objetivo a criação de uma
metodologia para a realização de uma reconfiguração dinâmica das estratégias distribuí-
das em uma rede de dispositivos Foundation Fieldbus. Tais dispositivos, com a evolução
tecnológica, deixaram de ser meros transdutores e passaram a realizar processamento in-
terno mais complexo.
Como mostrado em [Costa 2006] [Lima 2004] [Marangoni 2005], foram realizadas
diferentes configurações para instrumentos Fieldbus para atender diferentes aplicações,
no caso, ações de controle distribuído e filtragem de sinais.
Para o trabalho em questão, a intenção é acrescentar a capacidade a uma rede indus-
trial de realizar uma auto-configuração da estratégia distribuída sem a necessidade da in-
terferência geral realizada no processo. Com isso, algumas aplicações como as realizadas
em [Zanata 2005] [Fernandes 2007] podem ser incorporadas a um processo de maneira
automática.
A ferramenta computacional base para tais aplicações nos processos da industria será
a Rede Neural Artificial. As propriedades da ferramenta que a tornam compatível com
as necessidades serão apresentadas abaixo. Já o respaldo para o uso das redes em um
sistema Fieldbus pode ser observado em [Silva 2005].
Contudo, apesar da escolha da rede neural artificial como elemento de processamento
nos dispositivos, não há a exclusão de outras ferramentas presentes no contexto dos sis-
temas inteligentes. Um dos exemplos utilizados para obtenção de resultados no capítulo 5
está associado a alteração de uma estratégia de escalonamento com lógica fuzzy e uma
rede neural.
3.2 Definição e Propriedades das Redes Neurais
O desenvolvimento das redes neurais artificiais, desde o seu surgimento, vem sendo
impulsionado pelo fato de que o cérebro humano processa informações de maneira di-
ferente de um computador digital convencional. O cérebro é um computador (sistema
de processamento de informação) extremamente complexo, não-linear e paralelo [Haykin
2004]. Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por
neurônios, de forma a realizar seus processamentos de maneira muito eficiente.
Na sua forma mais geral, uma rede neural artificial é um modelo matemático constru-
ído para tentar modelar a maneira como o cérebro realiza uma tarefa particular ou funções
de interesse; essa rede é geralmente implementada a partir de componentes eletrônicos ou
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
26
simulada através da programação em um computador digital. Para alcançarem um bom
desempenho, as redes neurais empregam uma interligação maciça de células computa-
cionais simples, denominadas neurônios.
A seguinte definição pode, então, ser empregada para tal ferramenta [Haykin 2004]:
“Uma rede neural é um processador paralelamente distribuído constituído de unidades
de processamento simples, que tem a capacidade natural de armazenar conhecimento ex-
perimental e torná-lo disponível para sua utilização.”
A semelhança com o cérebro humano pode ser destacada a partir de dois aspectos. Em
primeiro lugar, o conhecimento da rede é obtido a partir de um processo de aprendizagem.
Além disso, os pesos sinápticos (variáveis ponderadoras que representam a conexão entre
neurônios) são utilizados para armazenamento da informação.
Um algoritmo de aprendizagem é capaz de alterar os valores do pesos sinápticos,
tornando-se a forma de realizar o processo de aprendizagem da rede.
Além da estrutura paralelamente distribuída da rede neural, sua capacidade de apren-
der e generalizar também deve ser destacada. A generalização se refere ao fato de a rede
produzir saídas adequadas para entradas, as quais não estavam presentes durante o pro-
cesso de aprendizagem.
Outras propriedades são enumeradas a seguir [Haykin 2004]:
1. Não-linearidade: Uma rede neural formada por neurônios não-lineares permite efe-
tuar relacionamentos não-lineares entre entradas e saídas.
2. Mapeamento de entrada-saída: a aprendizagem supervisionada, ou aprendizagem
com um “professor” envolve a modificação dos pesos sinápticos de uma rede neu-
ral pela aplicação de um conjunto de amostras de treinamento rotuladas ou exem-
plos da tarefa. Cada exemplo consiste de um sinal de entrada único e de uma res-
posta desejada correspondente. Apresenta-se para a rede um exemplo escolhido ao
acaso do conjunto, e os pesos sinápticos (parâmetros livres) da rede são modifica-
dos para minimizar a diferença entre a resposta desejada e a resposta real da rede,
produzida pelo sinal de entrada, de acordo com um critério estatístico apropriado.
O treinamento da rede é repetido por muitos exemplos do conjunto até que a rede
alcance um estado estável onde não haja mais modificações significativas nos pesos
sinápticos. Os exemplos de treinamento previamente aplicados podem ser reaplica-
dos durante a sessão de treinamento, mas em uma ordem diferente. Assim, a rede
aprende dos exemplos ao construir um mapeamento entrada-saída para o problema
considerado.
3. Adaptabilidade: as redes neurais têm uma capacidade inata de adaptar seus pe-
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
27
sos sinápticos a modificações do meio ambiente. Em particular, uma rede neural
treinada para atuar em um ambiente específico pode ser facilmente retreinada para
lidar com pequenas modificações nas condições de operação do ambiente. Além
disso, quando está operando em um ambiente não estacionário, uma rede neural
pode ser projetada para modificar seus pesos sinápticos em tempo real.
4. Resposta a evidências: no contexto da classificação de padrões, uma rede neural
pode ser projetada para fornecer informação não somente sobre qual padrão parti-
cular selecionar, mas também sobre a confiança ou crença na decisão tomada. Esta
informação pode ser utilizada para rejeitar padrões ambíguos, caso eles estejam
presentes, e com isso melhorar o desempenho de classificação da rede.
5. Tolerância a falhas: uma rede neural, implementada na forma física (em hardware)
é inerentemente tolerante a falhas, ou capaz de realizar computação robusta, no
sentido de que seu desempenho se degrada suavemente sob condições de operação
adversas. Se um neurônio ou suas conexões são danificados, por exemplo, a recu-
peração de um padrão armazenado é prejudicada em qualidade. Contudo, devido
a natureza distribuída da informação armazenada na rede, o dano deve ser extenso
para que a resposta global da rede seja degradada seriamente. O que deve ser ob-
servado nessas condições, é uma degradação suave do desempenho em vez de uma
falha seriamente comprometedora.
3.3 Modelo de um Neurônio Computacional
Os neurônios biológicos e o sistema nervoso são a inspiração das redes neurais artifi-
ciais. Porém, as RNAs são bem diferentes das redes neurais biológicas e muitas vezes, as
semelhanças são mínimas. Modelar o sistema nervoso é um trabalho que vem sendo de-
senvolvido há muito tempo. Os primeiros trabalhos que impulsionaram o interesse foram
o de McCulloch e Pitts, o de Hebb, e o de Rosenblatt [Haykin 2004].
As RNAs são formadas por várias unidades de processamento conhecidas como neurônios.
O neurônio artificial possui uma estrutura bem mais simples do que a de um neurônio bi-
ológico. A figura 3.1 ilustra um modelo não-linear de um neurônio computacional.
Um neurônio artificial é basicamente constituído por um conjunto de sinapses, um
somador e uma função de ativação, geralmente não-linear. Além disso, os conjuntos de
entradas e saídas são análogos, respectivamente, aos dendritos e aos axônios do neurônio
biológico.
As entradas do neurônio artificial, antes de serem propagadas até a saída do mesmo,
são ponderadas pelos pesos sinápticos. O somador tem o papel de somar esses sinais de
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
28
Figura 3.1: Modelo Não-linear de um Neurônio
entrada ponderados, tendo a função de um combinador linear. Já a função de ativação
restringe a amplitude da saída de um neurônio e aplica a não linearidade.
No modelo da figura 3.1, existe um bias, b
k
, que aumenta ou diminui a entrada líquida
da função de ativação.
Uma modelagem matemática para um neurônio artificial k pode ser obtida através das
equações 3.1 e 3.2,
u
k
=
m
∑
j=1
w
k j
x
j
(3.1)
y
k
= φ(u
k
+ b
k
) (3.2)
em que x
1
, x
2
,..., x
m
, são os sinais de entrada; w
k1
, w
k2
,..., w
km
, são os pesos sinápticos
do neurônio k; u
k
é a saída do combinador linear, devido aos sinais de entrada; b
k
é o bias;
φ(.) é a função de ativação e y
k
é o sinal de saída do neurônio.
A função de ativação, φ(v), define a saída de um neurônio em relação ao campo local
induzido v. As principais funções de ativação são: função de limiar, função linear por
partes e função sigmóide. A escolha dessas funções depende da aplicação da rede neural.
A figura 3.2 apresenta alguns exemplos de funções de ativação.
3.4 Arquitetura da Rede Neural
A maneira pela qual os neurônios de uma rede neural estão estruturados está inti-
mamente ligada com o algoritmo de aprendizagem usado para treinar a rede. Para este
trabalho não haverá um aprofundamento dos métodos de aprendizagem. Em relação às
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
29
Figura 3.2: Funções de Ativação de um Neurônio
arquiteturas, pode haver uma divisão em três classes básicas: Redes Alimentadas Adiante
com Camada Única, Redes Alimentadas Diretamente com Camadas Múltiplas e Redes
Recorrentes.
A arquitetura que obteve êxito inicial, quando repassada para o padrão em blocos
funcionais, foi a estrutura de Redes Alimentadas Diretamente com Camadas Múltiplas,
também conhecida como Perceptron de Camadas Múltiplas.
3.4.1 Perceptron de Múltiplas Camadas
As redes Perceptron de Múltiplas Camadas (MLP) têm sido usadas com sucesso em
diversas aplicações nas mais variadas áreas, como por exemplo, em reconhecimento de
padrões, em processamento de sinais e em controle.
A estrutura de uma MLP consiste de nós em uma camada de entrada, de um conjunto
de neurônios dispostos em uma ou mais camadas ocultas (ou intermediárias) e na camada
de saída.
A figura 3.3 mostra a arquitetura de uma rede MLP com uma camada de entrada, duas
camadas intermediárias e uma camada de saída.
Uma rede MLP é dita progressiva, ou feedforward, quando as saídas dos neurônio (em
qualquer camada) se conectam apenas com os neurônios de camada sucessiva, ou seja,
não possuem nenhum laço de realimentação. Dessa forma, o sinal de entrada é propagado
camada a camada até chegar na camada de saída, ou seja, de forma progressiva.
A quantidade de nós na camada de entrada é determinada pela dimensão do espaço
de observação. Já o número de neurônios da camada de saída é equivalente a quantidade
associada ao objeto desejado.
Para o projeto de uma MLP, deve-se determinar o número de camadas ocultas, o
número de neurônios em cada uma dessas camadas e definir os pesos sinápticos dos
neurônios que constituem a rede.
Definir a quantidade de camadas ocultas e os neurônios que as compõem é uma tarefa
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
30
Figura 3.3: Exemplo de Arquitetura de uma Rede MLP
bastante complexa, pois não há regras determinadas para defini-los. Já a definição dos
pesos sinápticos é feita utilizando algoritmos de treinamento supervisionado.
O algoritmo de treinamento mais conhecido na literatura é o Algoritmo da Backpropa-
gation. O algoritmo backpropagation é baseado na minimização do erro usando métodos
do tipo gradiente, em que o erro é retropropagado da camada de saída para as camadas
intermediárias [Haykin 2004].
Esse algoritmo é constituído basicamente por dois passos: computação no sentido
direto e computação no sentido reverso.
No primeiro passo do aprendizado (computação para frente), aplica-se um vetor de
entrada aos nós de entrada da rede e seu efeito é propagado camada por camada até chegar
à camada de saída, onde produz uma resposta ao vetor de entrada. Neste passo, os pesos
sinápticos são mantidos constantes.
Na computação para trás, ajusta-se os pesos sinápticos através das regras de correção
de erro. Basicamente, subtrai-se o padrão de saída desejado da resposta à excitação de
entrada da MLP, que corresponde ao sinal de erro. Então, propaga-se esse sinal de erro
através dos neurônios no sentido contrário ao que o vetor de entrada foi propagado no
passo anterior, por isso o nome backpropagation. À medida que o erro é propagado, os
pesos sinápticos são ajustados de forma que a resposta obtida pela MLP se aproxime ao
máximo do padrão de resposta desejada [Haykin 2004].
No caso, da implementação em blocos funcionais padrões, todo o processo de apren-
dizagem (treinamento) é realizado de forma offline, ou seja, utiliza-se um software, o qual
cria a estrutura da rede e aplica o algoritmo de aprendizagem. Por fim, a lista com pesos
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
31
é criada e deve ser enviada para os parâmetros correspondentes na rede fieldbus.
3.5 Implementação em Blocos Funcionais Padrões
Para a construção de uma rede neural artificial, são necessários vários neurônios arti-
ficiais interligados, formando a arquitetura desejada (a arquitetura implementada na refe-
rência [Silva 2005] é a perceptron de múltiplas camadas, mostrada na seção anterior).
Dentre os blocos funcionais (FF) padronizados, os mais importantes para a imple-
mentação da ferramenta em questão, são os blocos aritmético e caracterizador, que são
diretamente utilizados no projeto de um neurônio artificial.
Através da configuração e interligação desses dois blocos funcionais (figura 3.4),
pode-se obter um modelo de neurônio próximo ao mostrado na figura 3.1. As diferen-
ças ficam por conta da função de ativação, visto que o bloco caracterizador só tem a
capacidade de simular 20 pontos de uma determinada função [Silva 2005].
Figura 3.4: Neurônio Artificial Implementado no Ambiente Foundation Fieldbus
Como apresentado em [Silva 2005], os 20 pontos para simular as funções de ativação
são obtidos através de um algoritmo genético que aproxima os vinte pontos da função
desejada.
As demais características dos neurônios artificiais são simuladas a partir de parâmetros
existentes nos blocos funcionais. Por exemplo, é possível configurar um bloco aritmético
para receber, no máximo, três entradas ponderadas, realizar um somatório entre elas e,
por fim, ajustar a saída através de um bias. Logo, a concepção da figura 3.1 está completa
com base em blocos funcionais.
A interligação de neurônios para criação de uma rede MLP baseia-se na utilização dos
links lógicos entre blocos funcionais. A figura 3.5 apresenta um exemplo de um modelo
de rede conectada através dos links entre os blocos.
CAPÍTULO 3. REDES NEURAIS ARTIFICIAIS
32
Figura 3.5: Rede Neural MLP implementada na rede FF
Tal modelo será usado posteriormente para a exemplificação da reconfiguração de
estratégias baseadas em redes neurais, as quais possuam no máximo três neurônios em
duas camadas ocultas. As diferentes cores expostas na figura sugerem a diferenciação das
camadas existentes na MLP.
Os três primeiros nós pintados de cinza correspondem às três possíveis entradas da
rede neural. A camada seguinte composta pelos nós pintados de amarelo corresponde
à primeira camada oculta composta por três neurônios artificiais. Os nós “ARITH11”,
“ARITH12” e “ARITH13” recebem três entradas cada, realizando a ponderação das mes-
mas a partir de parâmetros internos (pesos sinápticos). As saídas de cada nó podem ser
ajustadas através de bias presente na saída do bloco funcional. Tais valores são repassa-
dos para os nós “CARACT1” e “CARACT2”, os quais simulam as funções de ativação
baseados em 20 pontos da função real.
Cada bloco caracterizador só possuí duas entradas, portanto, a camada constituída por
três neurônios requer a presença de dois caracterizadores. As duas camadas seguintes
seguem a mesma lógica da explicada anteriormente. Os nós em azul implementam a
segunda camada oculta e os nós em verde as saídas da rede.
No capítulo 4 será apresentada a estrutura interna de cada bloco funcional com suas
variáveis e possíveis manipulações para ajuste dos links lógicos mostrados na figura 3.5.
CAPÍTULO 4
Proposta e Metodologia Experimental
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
34
4.1 Introdução
Como apresentado anteriormente, a proposta principal do trabalho consiste na criação
de uma metodologia para alteração, em tempo de execução, de estratégias distribuídas em
uma rede industrial Foundation Fieldbus.
A intenção inicial da proposta era alterar os links existentes entre blocos funcionais
instanciados nas estratégias de controle da rede para que, em seguida, outros blocos que
estivessem inutilizados nos dispositivos pudessem assumir suas tarefas (figura 4.1).
Figura 4.1: Exemplo de Reconfiguração dos Blocos Funcionais
Como visto na figura acima, o passo de reconfiguração é baseado em 4 fases, das quais
duas apresentam nível crítico em relação ao desempenho temporal.
• Em primeiro lugar, deve-se realizar a parametrização do novo bloco funcional, as-
sim como a conexão de suas entradas;
• A migração dos dados do bloco em execução é o próximo passo na tarefa de re-
configuração (nível crítico);
• Novos links com as saídas do novo bloco funcional devem ser criados (nível crítico);
• Por fim, o bloco inutilizado seria retirado da estratégia de controle [Strasser et al.
2006].
Uma das alternativas para realizar reconfigurações está associada a manipulação do
macro-ciclo de execução da rede. No caso, durante a faixa de atuação de tarefas assín-
cronas, em que a rede não realiza ações de nível crítico em relação ao tempo de execução,
pretendia-se instanciar os novos blocos funcionais para diferentes atividades distribuídas.
Contudo, para o estudo de caso proposto adiante, tal opção se tornou limitada diante
de algumas restrições presentes no sistema de configuração da rede utilizada.
Como será apresentado no decorrer do texto, a base para a implementação do sis-
tema de reconfiguração é uma rede industrial FF com dispositivos do fabricante brasileiro
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
35
SMAR. O software que realiza a configuração dos instrumentos da rede é o aplicativo
Syscon (do mesmo fabricante dos dispositivos). Este programa, por consequência, gera
também o algoritmo de escalonamento da rede em questão.
Em [Zerbetto 2007], é realizada uma análise do desempenho geral de sistemas de
controle quando os mesmos são gerenciados por uma arquitetura de rede industrial Foun-
dation Fieldbus. Neste trabalho, devido a necessidade de se encontrar um tipo de escalo-
namento ótimo para evitar influência no sistema de controle, observa-se que a ferramenta
de configuração Syscon não permite a intervenção direta na política de escalonamento a
ser utilizada no sistema de controle em rede, contudo, o macro-ciclo pode ser alterado
(de forma limitada) através do dimensionamento do parâmetro background traffic, o qual
corresponde ao tempo de execução das tarefas assíncronas.
Logo, torna-se inviável a tentativa de interferir no macro-ciclo de execução da rede
para incorporar outras atividades que não estejam estruturadas através do algoritmo ge-
rado pelo software de configuração.
[Zerbetto 2007] ainda ressalta algumas fórmulas apresentadas pelo fabricante SMAR
para o caso de sistemas redundantes e não-redundantes, baseado na quantidade de blo-
cos presentes em cada dispositivo usado no barramento, assim como nas ligações exter-
nas presentes na configuração de controle (vale lembrar que as ligações externas corres-
pondem às ligações lógicas entre dispositivos diferentes, as quais necessitam do uso do
barramento para transmitirem mensagens vinculadas ao sistema de controle definido na
aplicação).
A estimativa do cálculo de macro-ciclo fornecido pelo Syscon consiste, portanto, nas
três equações descritas abaixo [Smar n.d.]:
• Background Traffic: tempo usado para supervisão e mensagens assíncronas;
BT = (NumerodeDispositivos ∗ NumerodeBlocos)∗ 30ms (4.1)
• Foreground Traffic: tempo utilizado para links e controle;
FT = NumerodeLinks ∗ 30ms (4.2)
• Macro-ciclo de Execução: estimativa do macro-ciclo de execução consiste na soma
dos tempos anteriores com uma margem de segurança de 20%.
MC = (BT + FT ) ∗ 1,2 (4.3)
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
36
Em [Cicillini 2007], é realizado o desenvolvimento de um algoritmo para otimizar o
escalonamento das mensagens de comunicação cíclica ou periódica. Tal implementação
ocorre a partir de informações geradas pelo Syscon, o qual (em suas últimas versões) per-
mite exportar as configurações dos dispositivos em um arquivo, cujo formato de extensão
é XML.
No entanto, o algoritmo limita-se ao agendamento de apenas uma parcela do macro-
ciclo, além de não haver uma forma de integrar tal otimização ao escalonamento gerado
pelo Syscon. No caso, o padrão de comparação realizado em [Cicillini 2007] é baseado
nas fórmulas citadas anteriormente.
Outra característica importante destacada em [Zerbetto 2007] ocorre devido à existên-
cia de diversos blocos funcionais e sua disponibilidade para a maioria dos transmissores.
No caso, faz-se possível a implementação de uma mesma estratégia de controle de dife-
rentes formas, considerando os mesmos blocos funcionais alocados de diversas maneiras.
A figura 4.2 apresenta um exemplo prático de estratégia de controle sendo realizada
de duas formas distintas. O transmissor de pressão (LD302) envia um sinal de entrada
analógico que é recebido através de um bloco funcional PID e, em seguida, após a com-
putação do algoritmo de controle, um sinal de saída analógico é enviado através do posi-
cionador de válvula (FY302).
A partir do Syscon, é possível configurar a estratégia de duas formas, já que os dois
dispositivos apresentam um bloco funcional PID. Logo, como pode ser visto na figura, o
macro-ciclo de execução pode ter configurações distintas para um mesmo algoritmo de
controle, pois há a possibilidade de variação no número de links externos entre os blocos.
Outra restrição encontrada na proposta inicial do trabalho consiste no estado em que
dispositivos da rede entram para realizar um download de configuração, visto que não há
um modo de manter os dispositivos em operação contínua quando existe a intenção de
reconfigurá-los a partir de uma nova estratégia, a qual foi desenvolvida no Syscon.
Só é possível ajustar alguns parâmetros que permitem escrita contínua durante o tempo
de execução. A inserção de novos links lógicos exige uma parada no modo de operação
dos instrumentos.
4.2 Proposta
Diante da impossibilidade de realizar uma realocação de uma estratégia com blocos
funcionais diferentes daqueles que foram pré-instanciados, assim como alterar o macro-
ciclo de execução, adotou-se uma alternativa diferente.
A partir de uma estratégia fixa na rede, torna-se possível alcançar diferentes aplicações
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
37
Figura 4.2: Exemplo de alocações de blocos funcionais para uma estratégia de controle
com base em alguns artifícios usados nos blocos funcionais padrões.
Como exemplo, que será demonstrado no capítulo 5, uma rede neural foi instanci-
ada na rede industrial com uma arquitetura máxima 3-3-3-3 (3 entradas, 3 neurônios nas
duas camadas intermediárias e 3 saídas - figura 3.5). Através de um cliente OPC, é pos-
sível alterar a arquitetura da rede, ajustando pesos sinápticos e modificando as funções de
ativação.
Em [Prayati et al. 2004], é apresentada uma metodologia (figura 4.3) para o desen-
volvimento de aplicações em tempo real de controle distribuídas com foco na alocação de
tarefas para o sistema em questão.
Tal metodologia é baseada em 7 passos que vão desde a especificação da aplicação até
a configuração do sistema.
Fazendo um paralelo com a configuração da rede industrial Foundation Fieldbus para
atender mais de uma funcionalidade, são descritos abaixo os 7 passos de acordo com a
proposta citada anteriormente, em que a partir de uma pré-configuração base é possível
atender mais de uma aplicação.
1. Especificação da Aplicação: as necessidades impostas pelo processo industrial em
questão devem servir para a concepção das diferentes aplicações. No caso especí-
fico dos dispositivos de campo FF, pode-se observar um bom desempenho para
aplicações cujas as ferramentas computacionais foram redes neurais artificiais dis-
tribuídas através da rede industrial, por exemplo;
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
38
Figura 4.3: Metodologia para Desenvolvimento de uma Aplicação Distribuída
2. Design da Aplicação: em termos funcionais, o processo para criação da aplicação
está diretamente ligado à arquitetura da rede escolhida para sua implementação em
termos de blocos funcionais. No exemplo citado de uma reconfiguração a partir de
uma arquitetura de rede neural, deve-se especificar uma arquitetura de rede mínima
para atender às diferentes funcionalidades desejadas. Assim como, se há a intenção
de alterar uma estratégia de controle de um controle convencional para um esquema
com lógica fuzzy, deve-se prever todas as necessidades para que as duas funciona-
lidades sejam atendidas;
3. Características do Sistema: uma análise geral da rede industrial é essencial para
o passo seguinte de alocação da aplicação nos dispositivos presentes na rede. No
caso, a quantidade de dispositivos e a capacidade corrente de cada um deve ser
levada em consideração;
4. Alocação da Aplicação: tal passo está diretamente ligado ao anterior. Após realizar
uma análise detalhada dos dispositivos associados ao barramento, deve-se fazer a
ligação entre as características da rede neural (neurônios, camadas e pesos) com os
blocos dos instrumentos disponíveis, por exemplo;
5. Programação dos Dispositivos: os três últimos passos estão ligados às caracterís-
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
39
ticas de funcionamento do protocolo Foundation Fieldbus. Após a alocação dos
componentes da aplicação com os dispositivos específicos, deve se programar cada
um deles com as informações necessárias;
6. Verificação/Testes: esta fase é um item de segurança dentre os ítens para configu-
ração da rede industrial. No caso, realizar uma revisão nos blocos dos dispositivos
e nas ligações entre eles para verificar consistência da aplicação;
7. Configuração do Sistema: com os outros passos realizados com sucesso, o sistema
pode iniciar sua operação com a aplicação configurada.
Os dois primeiros passos ressaltados na metodologia acima serão destacados no decor-
rer do desenvolvimento do trabalho.
Um dos cenários para validação da proposta consiste em uma aplicação de controle
do processo especificado no anexo A. As equações que regem a dinâmica do sistema
sugerido trazem a necessidade de algum tipo de escalonador para ponderar os ganhos de
dois controladores PID implementados através de blocos funcionais.
São especificadas duas aplicações distintas, as quais realizam o escalonamento su-
gerido de diferentes formas. A concepção de tais funcionalidades através dos blocos
configurados na rede industrial segue os 2 primeiros passos indicados acima.
As duas aplicações são pré-instanciadas na rede e, através da manipulação dos links
existentes na estratégia de controle, são realizadas as reconfigurações entre os dois tipos
de escalonadores.
4.3 Metodologia Experimental
Nesta seção será detalha toda a metodologia experimental para a realização de testes
da proposta em questão. Destaca-se a utilização de uma rede industrial didática Founda-
tion Fieldbus utilizada em todo o desenvolvimento do trabalho.
4.3.1 Ambiente Híbrido
Para a validação do trabalho, havia a necessidade da utilização de uma planta de um
processo associada a um rede industrial. Como contribuição destaca-se, no caso, a criação
de um ambiente híbrido, contendo a simulação de um processo físico e uma rede industrial
didática presente nas instalações do LAMP.
A idéia para criação do ambiente surgiu da necessidade de se testar os sensores de
software criados pelo grupo de pesquisa do laboratório [Costa et al. 2008] [Rodrigues
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
40
et al. 2008]. No caso, devido à inexistência de um processo real nas instalações da Uni-
versidade, formulou-se uma arquitetura que contivesse um software para simulação do
processo e o hardware necessário para que o processo estivesse integrado aos dispositi-
vos da rede.
4.3.2 Arquitetura do Ambiente
O ambiente proposto é composto por três partes distintas: uma rede industrial didática
FF formada por 8 dispositivos e um gerenciador do barramento, uma simulação desen-
volvida em um aplicativo específico e as placas de aquisição e circuitos conversores
necessários para integração entre os dois primeiros ítens.
A figura 4.4 apresenta a arquitetura citada anteriormente.
Figura 4.4: Arquitetura do Ambiente Híbrido
4.3.3 Rede Industrial Didática
A rede industrial é formada por dispositivos da SMAR. Há a presença de um sensor de
pressão (LD302) e um transmissor de temperatura (TT302), instrumentos que fazem con-
versão do padrão digital para loop de corrente, assim como o processo contrário (FI302
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
41
e IF302, respectivamente) e um dispositivo que serve como bridge entre o barramento de
campo e a rede Ethernet (DFI302 - Linking Device). No caso, o sistema pode ser confi-
gurado através do software Syscon, o qual faz parte do System302 (sistema proprietário
da SMAR para configuração e testes numa rede Fieldbus) [Smar n.d.].
Os conversores FI302 e IF302 assumem os papéis dos sensores na prática, visto que
não há a presença das variáveis físicas (temperatura, pressão, etc.) com a utilização da
simulação. Logo, tais variáveis passam a ser simuladas por sinais analógicos de corrente
e tensão.
As características de funcionamento interno dos conversores de padrão serão detalha-
das abaixo, assim como alguns detalhes da DFI302.
Ponte Universal Fieldbus - DFI302
A DFI302 é dispositivo multifunção que incorpora componentes de hardware e soft-
ware para gerenciar, monitorar, controlar, manter e operar uma planta industrial. A
DFI302 executa a maioria das funções exigidas pelo sistema de controle, resultando em
um número reduzido de componentes adicionais [Smar n.d.].
O equipamento adquirido pelo laboratório de pesquisa possui 4 módulos principais:
DF50 (módulo fonte), DF51 (processador), DF52 (módulo fonte para a rede FF) e o DF53
(impedância de linha). O dispositivo pode ser visualizado na figura 4.5.
Figura 4.5: Ponte Universal Fieldbus - DFI302
A configuração da DFI é facilitada pois utiliza a mesma idéia de blocos funcionais dos
instrumentos de campo (blocos funcionais do padrão Foundation Fieldbus), desta forma,
utilizando-se o software de configuração dos blocos funcionais dos instrumentos, pode-se
configurar também as funcionalidades da DFI.
Outras características importantes são ressaltadas abaixo [Smar n.d.]:
• Interoperável com instrumentos e softwares de diferentes fabricantes devido a uti-
lização de padrões abertos como FF e OPC;
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
42
• Conecta-se a equipamentos já existentes através de E/S convencionais e comuni-
cação Modbus via RS232 (padrão de comunicação serial) ou Ethernet.
• Redundância em vários níveis (Servidor OPC, LAS, Links H1);
Conversor Loop de Corrente para Padrão FF - IF302
O IF302 é um conversor destinado a interligar transmissores analógicos com uma rede
Fieldbus. O IF302 recebe até três sinais de corrente tipicamente de 4 - 20mA ou 0 - 20mA
e torna-os disponíveis para um sistema Fieldbus [Smar n.d.].
A figura 4.6 apresenta o modo de conexão com os transmissores de corrente, além de
sua configuração interna baseada em blocos.
Figura 4.6: Diagrama de blocos do IF e o modo de ligação das entradas
A principal vantagem do dispositivo é poder servir como sistema de integração de
equipamentos antigos (que ainda trabalham com loop de corrente) com os atuais equipa-
mentos digitais, convertendo as informações analógicas em informações digitais (levando
em consideração a unidade do dado transformado).
A configuração do equipamento é realizada através da parametrização de seus blocos
funcionais, ou no próprio equipamento, através de uma chave magnética.
Conversor Padrão FF para Loop de Corrente - FI302
O FI302 segue a mesma lógica do dispositivo anterior. É um conversor destinado a
conectar sistemas Foundation Fieldbus com atuadores e posicionadores de válvulas de
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
43
controle 4 - 20mA. O FI302 produz uma saída de 4 - 20 mA proporcional à entrada
recebida pela rede FF [Smar n.d.].
Apesar da mesma quantidade de conexões que o IF302, o FI302 possui uma forma de
conexão um pouco distinta. Há a necessidade de uma fonte externa para gerar a corrente
e o equipamento apenas regula sua intensidade, baseado na variação do valor que recebe
como entrada e na conversão que ele faz para a escala do instrumento que deseja controlar.
A figura 4.7 apresenta o modo de conexão de suas saídas, além de sua configuração
interna baseada em blocos.
Figura 4.7: Diagrama de blocos do FI e o modo de ligação das saídas
O modo de configuração do FI302 é idêntico ao do IF302 (através de software ou de
chave magnética usada no próprio instrumento).
4.3.4 Hardware de Integração
O hardware de interface corresponde às placas de aquisição de dados (uma placa con-
versora digital-analógico e outra conversora de analógico-digital) e a placa desenvolvida
no laboratório para conversão de loop de corrente para tensão.
A figura 4.8 apresenta as interfaces de hardware e em seguida é realizada uma descri-
ção de cada componente.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
44
Figura 4.8: Interfaces de Hardware para Interconexão entre o Processo e a Rede Industrial
Placa Conversora Digital-Analógico (D/A)
A placa conversora D/A é do modelo PCI-1720U para barramento PCI de computador
e provê 4 saídas D/A de 12 bits [Advantech n.d.].
Suas principais características são a capacidade de trabalhar com padrão unipolar (de
0-5V ou 0-10V) ou bipolar (±5V ou ±10 V). Também pode trabalhar diretamente com
loop de corrente (de 0-20mA ou de 4-20mA, o qual é o padrão utilizado nas indústrias e
o mais importante para o trabalho).
A placa de aquisição pode ser observada na figura 4.9.
Figura 4.9: Placa D/A PCI-1720U
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
45
Placa Conversora Analógico-Digital (A/D)
A placa A/D é do modelo PCI-1713 também para barramento PCI e provê 32 en-
tradas analógicas de alta velocidade de amostragem (100 kS/s ou seja 100000 amostras
por segundo), utilizando uma resolução de 12 bits [Advantech n.d.] (figura 4.10).
Figura 4.10: Placa A/D PCI-1713
Por trabalhar apenas com padrão de entrada de tensão, faz com que seja necessário
uma interface entre o FI302 e este dispositivo, visto que o dispositivo FF gera um loop de
corrente como sinal de saída.
Placa Conversora de Loop de Corrente em Tensão
Esta placa foi desenvolvida com o objetivo de converter o loop de corrente de 4-20mA
para um sinal de tensão de 0-5V. A placa possui seis circuitos de conversão, ou seja, pode
converter até seis sinais ao mesmo tempo, utilizando uma alimentação de 12 + 12, ou
seja, -12, terra e +12 V. Ela utiliza como componente principal o receptor RCV-420 da
Burr-Brown [Lima 2004].
A figura 4.11 mostra a configuração do componente utilizado na placa de conversão.
Através dos três dispositivos de hardware comentados nas últimas seções, faz-se pos-
sível a comunicação da rede didática FF com uma estação que tenha a simulação ativa.
Para isso, basta que a estação tenha acesso aos dados da placa de aquisição.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
46
Figura 4.11: Circuito do RCV-420 configurado para conversão de loop de corrente em
tensão
4.3.5 Software de Simulação
Em [Costa et al. 2008] e [Rodrigues et al. 2008], o ambiente híbrido para a concepção
dos sensores de software é apresentado e o aplicativo base para a simulação dos processos
da indústria petroquímica é o ASPEN HYSYS.
O programa oferece a simulação em regime permanente de modelos dinâmicos de
plantas, permitindo a monitoração em tempo real do desempenho da planta, ocorrências
de falhas no processo, atuação de controladores e qualidade de compostos.
Contudo, a utilização desta ferramenta não é essencial, pois o foco do trabalho não
está direcionado para a complexidade dos processos envolvidos. Para a validação da
proposta, o aplicativo escolhido para a simulação dos processos industriais foi o Labview
da National Instruments [Labview n.d.].
Linguagem G
O Labview utiliza uma linguagem própria para o desenvolvimento de suas aplicações.
A linguagem G é uma linguagem gráfica de programação de alto nível baseada no fluxo
de dados através de um diagrama de blocos. Deste modo, ela dispensa o uso de qualquer
formalismo sintático, típico das linguagens de programação convencionais, para a cons-
trução do código-fonte, facilitando bastante o trabalho do programador. De fato, não é
necessário um conhecimento aprofundado em programação para se construir programas.
A representação gráfica do algoritmo e a depuração interativa oferecidas, permitem
que a construção de programas seja feita de forma fácil e simplificada. Seguindo uma
tendência cada vez mais presente na programação, a linguagem G segue o conceito de
programação modular [Labview n.d.]. A figura 4.12 apresenta o trecho de código na
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
47
linguagem G para leitura/escrita de variáveis através do padrão OPC.
Figura 4.12: Trecho em Labview para leitura/escrita através do padrão OPC
Nas próximas seções serão demonstradas algumas aplicações desenvolvidas no Lab-
view.
4.4 Exemplo de Estudo de Caso
Nesta seção será apresentado um exemplo de estudo de caso baseado na alteração de
diferentes arquiteturas de rede neural a partir de uma estratégia pré-instanciada na rede
didática FF.
Para tal, faz-se necessário entender como a rede neural base é pré-instanciada na rede
industrial, com a descrição dos principais blocos funcionais utilizados, assim como, quais
artifícios utilizados para realizar as reconfigurações.
Como comentado anteriormente, a ferramenta para configuração das estratégias de
controle na rede Fieldbus, utilizada na implementação e testes, é o software Syscon da
SMAR. Através desse programa, o qual se comunica com a DFI302, é possível enxergar
todos os equipamentos presentes no barramento H1 e, usando a parametrização dos blocos
funcionais, configurá-los.
Outra opção da ferramenta é a possibilidade de criar links entre os blocos funcionais
utilizados, gerando dessa forma as estratégias distribuídas entre os dispositivos. As figu-
ras 4.13 e 4.14 apresentam a implementação de duas redes neurais baseadas em blocos
funcionais no Syscon correspondentes as funções seno e exponencial, respectivamente.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
48
Figura 4.13: Rede Neural 1-3-1 simulando a função seno
Figura 4.14: Rede Neural 1-3-2-1 simulando a função exponencial
Tais implementações são realizadas a partir de uma mesma arquitetura, levando em
consideração os blocos funcionais pré-instanciados. Contudo, pode-se observar que, a
partir da manipulação dos links lógicos e parâmetros internos dos blocos, é possível obter
duas arquiteturas distintas.
A figura 4.13, por exemplo, corresponde a uma rede neural do tipo 1-3-1 (uma entrada,
três neurônios na camada intermediária e uma saída). Já a figura 4.14 corresponde a uma
rede neural cuja arquitetura é 1-3-2-1 (uma entrada, três neurônios na primeira camada
intermediária, dois neurônios na segunda e uma saída).
O capítulo 3 apresenta, em sua última seção, o meio de utilização dos blocos fun-
cionais aritmético e caracterizador para gerar a estrutura de um neurônio artificial. As
características de funcionamento desses blocos, assim como outros utilizados nas imple-
mentações serão demonstradas a seguir.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
49
4.4.1 Principais Blocos Funcionais Utilizados
Levando-se em consideração um estudo de caso baseado na reconfiguração de arquite-
turas de redes neurais distribuídas nos instrumentos FF, faz-se necessário uma pequena
explanação sobre as principais características do blocos funcionais utilizados. Para tal,
serão apresentadas algumas informações sobre os blocos de entrada analógica, o bloco
aritmético, o caracterizador de sinais e o de saída analógica.
Apesar de não fazer parte da estrutura apresentada na figura 3.5, o bloco funcional de
controle PID também será levado em consideração, visto que é aplicável para situações
em que a funcionalidade desejada é o controle do processo em questão.
Bloco de Entrada Analógica (Analog Input)
Este bloco obtém dados de um bloco transdutor através da escolha do canal e os
disponibiliza em sua saída. Geralmente está associado a um instrumento de entrada de
dados como o IF ou um sensor de pressão [Fie 2001]. O esquemático do bloco de entrada
analógica pode ser visto na figura 4.15 [Smar n.d.].
Figura 4.15: Esquemático do Bloco de Entrada Analógica
Os principais parâmetros ajustados são a variável CHANNEL que identifica o canal
do bloco transdutor no qual ele ira realizar a leitura (o bloco transdutor é o que realiza a
leitura direta das entradas dos instrumentos, estando presente em todos os instrumentos de
campo), o XD_SCALE que é a escala da variável de entrada do instrumento, OUT_SCALE
que determina a escala de saída do instrumento e L_TYPE, o qual determina a opção para
converter ou não os dados do canal de entrada para a escala de sua saída.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
50
Para o caso da rede neural da figura 3.5, os blocos de entrada analógica funcionam
como as entradas da rede, sendo identificados como a primeira camada de nós.
Bloco Aritmético (Arithmetic)
O bloco aritmético foi desenvolvido para realizar cálculos sobre sinais provenientes
dos sensores. Ele possui 5 entradas, sendo as duas primeiras utilizadas na sua função
de extensão de range resultando em uma PV (variável do processo) e as outras três são
utilizadas em combinação com a PV em funções matemáticas disponíveis no bloco [Fie
2001]. Cada uma das outras três entradas possui um ganho e um BIAS associado, isto
para poderem efetuar correções nos valores recebidos dos sensores, enquanto que a saída
também possui um ganho e um BIAS para ajustes posteriores dos cálculos, como pode ser
visto na figura 4.16 [Smar n.d.].
Figura 4.16: Esquemático do Bloco Aritmético
Os ganhos e BIAS associados a entradas e saídas permitem que este bloco se comporte
como um neurônio artificial, bastando para isso usar seu algoritmo interno como um so-
mador das entradas. Logo, faz-se possível a criação de neurônio computacional com
três entradas. O algoritmo interno pode ser ajustado através do parâmetro ARTH_TYPE.
Além disso, o bloco permite a criação de faixas de operação com limitações para entradas
e saídas.
Bloco Caracterizador de Sinais (Signal Characterizer)
Este bloco serve para descrever funções genéricas quaisquer, possuindo duas seções
internas, ele pode gerar duas saídas distintas a partir de suas entradas. A sua saída é a
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
51
resposta de uma função definida por duas tabelas internas (par x,y) contendo 20 pontos
cada. Este bloco interpola os pontos e, baseado nessa interpolação, gera a resposta da
função com relação a determinada entrada [Fie 2001]. A figura 4.17 mostra o esquemático
do bloco [Smar n.d.].
Figura 4.17: Esquemático do Bloco Caracterizador de Sinais
Uma característica importante presente no bloco é a condição de “bypassar” o valor
da entrada através do parâmetro BYPASS.
A forma do bloco mapear o valor da saída, a partir de uma entrada específica baseando-
se em uma tabela, faz com que o mesmo possa simular a função de ativação presente na
arquitetura da RNA.
Como comentado no capítulo 3, em [Silva 2005] a estratégia usada para mapear as
funções de ativação é aproximá-las à quantidade de pontos da tabela usando um algoritmo
genético.
Bloco de Saída Analógica (Analog Output)
O bloco de saída analógica é um bloco funcional usado pelos equipamentos que tra-
balham como elementos de saída em um loop de controle, como válvulas, atuadores e
posicionadores. O bloco recebe um sinal de outro bloco funcional e passa seu resultado
para um transdutor de saída através de um canal interno de referência [Fie 2001].
A figura 4.18 apresenta sua estrutura interna [Smar n.d.].
O parâmetro CHANNEL corresponde ao canal do transdutor utilizado na saída. A es-
cala PV_SCALE corresponde a faixa de trabalho da variável de processo. Já a XD_SCALE,
corresponde a faixa de trabalho do dispositivo de saída.
CAPÍTULO 4. PROPOSTA E METODOLOGIA EXPERIMENTAL
52
Figura 4.18: Esquemático do Bloco de Saída Analógica
Bloco de Controle PID (PID Control)
O bloco de controle PID oferece alguns algoritmos de controle que usam os termos
proporcional, integral e derivativo. A figura 4.19 apresenta sua estrutura interna [Smar
n.d.].
Figura 4.19: Esquemático do Bloco de Controle PID
Os parâmetros GAIN (Kp), RESET (Tr), e RATE (Td) são as constantes de sintonia
para os termos P, I e D, respectivamente. Ganho é um número admensional. RESET e
RATE são constantes de tempo expressas em segundos.
CAPÍTULO 5
Resultados e Discussões
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
54
5.1 Introdução
Neste capítulo são apresentados os testes para validação da proposta deste trabalho.
Todos os experimentos usam como base a planta didática detalhada no capítulo 4.
Serão demonstrados dois cenários reais com a utilização da reconfiguração para ajuste
da implementação feita nos blocos funcionais da rede FF.
O primeiro cenário consiste em um simples exemplo numérico para validação da
solução proposta. Duas funções matemáticas são simuladas através de redes neurais artifi-
ciais e implementadas nos dispositivos da rede industrial. A reconfiguração da arquitetura
da rede e, consequentemente, alteração da função utilizada será usada como experimento
para testes de tempo de resposta do sistema e segurança vinculada ao processo.
O segundo cenário proposto baseia-se em duas alternativas para controle do processo
simulado detalhado no anexo A. A dinâmica do processo utilizado sugere uma alternativa
combinada ao controle clássico PID usado comumente na indústria. São desenvolvidos,
então, dois escalonadores para ponderar os ganhos de dois controladores PI indicados para
uma determinada seção do sistema de nível simulado. Um deles é baseado em Lógica
Fuzzy e o outro utiliza a ferramenta da RNA. A reconfiguração do sistema será útil para
validar a proposta em um ambiente com uma aplicação real de controle distribuído.
A construção das redes neurais para todos os experimentos seguiu o seguinte pro-
cedimento: primeiramente foram implementadas e treinadas em computadores PC con-
vencionais (sem aproximações) a fim de se extrair os pesos dos neurônios e os sinais
de bias. Logo em seguida, tiveram seus resultados avaliados de acordo com o erro médio
quadrático entre o vetor de saída da rede neural e o conjunto de dados desejados, ainda em
um ambiente simulado (software Matlab). Por fim, essa validação também foi realizada
no ambiente real (através de estratégias implementadas nos nós da rede industrial).
A equação que retorna o valor do erro médio quadrático é indicada abaixo:
erro =
1
n
n
∑
i=1
(s
i
− d
i
)
2
(5.1)
Sendo “n” o tamanho do vetor de saída, “s” a saída da rede neural e “d” a saída
desejada.
5.2 Alteração entre Funções Matemáticas
Foram simuladas duas situações distintas para implementação das funções matemáti-
cas a partir de redes neurais artificiais no ambiente FF.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
55
A primeira implementação simula uma onda triangular gerada entre o período de 0 a
2Π. Fazendo uma associação com um processo industrial, a onda poderia implicar uma
entrada de um determinado sistema físico. Contudo, a arquitetura escolhida e o treina-
mento realizado não geraram um resultado adequado para a simulação da onda triangular.
A arquitetura escolhida é de uma MLP 1-3-2-1 (uma entrada correspondente ao período,
3 neurônios na primeira camada oculta, 2 neurônios na segunda camada oculta e uma saída
correspondente ao valor da função).
A figura 5.1 apresenta a validação da rede neural que simula a onda triangular no
ambiente simulado. O erro médio quadrático encontrado foi de 3,5059∗10
−4
.
Figura 5.1: Validação da onda triangular no ambiente simulado
Já a figura 5.2 apresenta a validação da rede neural que simula a onda triangular no
ambiente real da rede industrial. O erro médio quadrático encontrado foi de 4,2861∗10
−3
.
A diferença entre os resultados obtidos nos dois ambientes se dá principalmente pela
aproximação obtida das funções de ativação. Contudo, tal diferença pode ser contornada
ao se utilizar vários blocos caracterizadores em cascata, aproximando a implementação
das funções de ativação dos valores reais.
O outro teste baseia-se na simulação da função seno. No caso, uma rede MLP 1-3-1
(uma entrada, três neurônios na camada oculta e uma saída) foi utilizada para aproximar
tal função. Fazendo a mesma associação com um processo industrial, a função seno, cujo
treinamento obteve um resultado mais próximo da função real, poderia se tornar uma
entrada mais suave (comparada ao primeiro caso) para um determinado sistema físico.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
56
Figura 5.2: Validação da onda triangular no ambiente FF
As figuras 5.3 e 5.4 correspondem as validações realizada no ambiente simulado e na
rede industrial FF, respectivamente. Os erros médios quadráticos foram de 2,3363∗10
−6
para o ambiente simulado e 1,0014∗10
−5
para a rede configurada nos instrumentos.
Figura 5.3: Validação da função seno no ambiente simulado
Para realizar a reconfiguração do sistema baseado nas duas opções acima, faz-se
necessário uma implementação base nos dispositivos da rede, a qual seja capaz de as-
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
57
Figura 5.4: Validação da função seno no ambiente FF
sumir qualquer uma das duas arquiteturas de rede neural citadas nas simulações.
Logo, a rede neural apresentada no capítulo 3 (figura 3.5) foi instanciada na rede
industrial didática com os blocos funcionais sendo distribuídos no elemento de entrada
(IF302), na DFI302 e no dispositivo de saída (FI302). Como mostrado anteriormente, tal
configuração é baseada em um modelo de arquitetura 3-3-3-3, sendo capaz de assumir o
papel das duas redes citadas acima.
5.2.1 Sistema de Reconfiguração em Labview
Para realizar a reconfiguração da rede neural instanciada na rede FF através dos blocos
funcionais, deve-se utilizar um cliente OPC que faça o envio dos parâmetros corretos da
rede (pesos sinápticos e bias), assim como todos os ajustes necessários para adequar a
nova arquitetura solicitada.
Baseado no sistema desenvolvido em [Cagni 2007], em que há o desenvolvimento de
um sistema supervisório que configura arquiteturas de redes neurais em um DSP baseado
no protocolo Modbus, realizou-se a implementação de um sistema coerente com a rede
neural apresentada no capítulo 3 (figura 3.5). A interface em Labview pode ser vista na
figura 5.5.
Esse sistema permite a adequação da arquitetura a partir da seleção da quantidade de
neurônios artificiais por cada camada, atualização de pesos e bias dos nós ativados, assim
como seleção da função de ativação presente nas três possíveis camadas.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
58
Figura 5.5: Exemplo de Interface em Labview para Reconfiguração da rede FF
A associação das variáveis da interface no Labview com as tags criadas pelo servidor
OPC faz com que os blocos funcionais sejam atualizados nos dispositivos.
Cada peso e bias é enviado para a tag correspondente nos blocos aritméticos. A es-
colha da função de ativação carrega os ítens, previamente selecionados, na tabela dos
blocos caracterizadores e a partir da arquitetura, há a ativação ou anulação dos links en-
volvidos no processo.
5.2.2 Levantamento e Análise dos Resultados
O primeiro teste realizado consistiu na reconfiguração da rede industrial da primeira
simulação para a segunda (alteração da onda triangular para a função seno). As duas
redes neurais criadas simulam funções que possuem valores entre -1 e 1 como resposta.
Contudo, como observado na figura 5.6, tais valores eram extrapolados no momento da
reconfiguração, visto que a rede industrial não interrompia seu funcionamento à medida
que os novos valores de pesos e bias eram instanciados na estratégia.
Tal condição apresenta um risco em se tratando de sistemas reais, pois a saída da
rede pode estar associada a um atuador ligado diretamente a um processo. Logo, faz-
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
59
Figura 5.6: Tempo de resposta do sistema para reconfiguração entre as funções
se necessário estabelecer um critério de segurança para garantir um estado seguro no
momento em que o sistema inicia o processo de reconfiguração.
De toda forma, vale ressaltar o tempo de resposta do sistema para a reconfiguração
mencionada. Como pode ser observado na figura 5.6, o ajuste dos ganhos e bias da rede
e a alteração dos links lógicos leva em torno de 23 segundos para acontecer.
Para acrescentar o estado de segurança antes de realizar qualquer tipo de configuração,
faz-se necessário avaliar em que momento seria possível desabilitar tal estado para que a
saída da rede neural volte a exercer o papel de saída da rede industrial.
Detalhando melhor o procedimento, no momento em que a reconfiguração é iniciada,
o bloco funcional que contem a saída da rede neural deve alterar seu modo de execução
para um modo manual e um valor de segurança deve ser mantido até que todos os pesos,
bias e links sejam alterados. Com a operação concluída, é possível reajustar o modo de
operação do último bloco da rede neural.
Para detectar o momento exato em que todos os valores de pesos e bias, assim como
os ajustes nos links, fossem enviados, pretendia-se inicialmente analisar o tráfego da rede
através do aplicativo FBView da SMAR.
O programa FBView (figura 5.7) permite avaliar o tráfego na rede industrial, pois
o mesmo pode se conectar a DFI302 e configurá-la como sniffer na rede. Logo, seria
possível analisar os pacotes e avaliar em que momento cada variável era enviada pela
rede industrial.
Contudo, segundo [Zerbetto 2007] e [Smar n.d.], a DFI302 não consegue atuar de
maneira ótima como sniffer quando já possui uma outra função na rede. Para o caso da
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
60
Figura 5.7: Tela do aplicativo FBView
rede didática, a DFI302 já atua como mestre do barramento, sendo necessário inserir outro
dispositivo com a mesma capacidade de filtrar as mensagens que trafegam na rede.
Diante da impossibilidade de contar com essa alternativa, foi utilizado um esquema
de redundância para análise do envio dos dados através do sistema em LabView. O cliente
OPC ao enviar cada argumento da rede neural, realiza a leitura do mesmo item para que
os valores sejam comparados até que todos os parâmetros estejam reconfigurados.
A figura 5.8 apresenta o tempo de resposta do sistema para alteração da função matemática.
O quadro indicado na figura mostra que o experimento praticamente dobra o tempo de re-
configuração quando comparado ao primeiro teste sem a redundância no cliente OPC (o
intervalo de alteração dos parâmetros da rede neural se aproxima dos 45 segundos). Con-
tudo, para um melhor funcionamento do sistema, tal condição de segurança é necessária.
Depois de reconfigurada, a rede neural apresenta o comportamento da função seno
como demonstrado na figura 5.9.
Para ser usado como parâmetro de comparação, a figura 5.10 apresenta a janela de
download do programa Syscon para o envio da estratégia apresentada na figura 3.5 para
os dispositivos da rede. Observa-se que o tempo de configuração dos dispositivos gira em
torno de 9 minutos.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
61
Figura 5.8: Tempo de resposta do sistema para reconfiguração com estado de segurança
Figura 5.9: Resposta de rede neural simulando uma função seno no ambiente FF
5.3 Controle de um Tanque com Dinâmica Não-Linear
O segundo cenário para validação da proposta consiste em realizar a reconfiguração
entre duas estratégias de controle distribuído. A figura A.1, a qual pode ser vista no
anexo A, apresenta o modelo de um tanque simulado composto por três porções distintas.
A equação A.2 é utilizada para demonstrar o comportamento da seção intermediária, em
que a capacitância do tanque (área da seção) varia com o nível.
A figura 5.11 apresenta a interface da simulação do processo em Labview. A simu-
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
62
Figura 5.10: Janela de download do aplicativo Syscon
lação foi integrada a planta didática para os testes através das placas de aquisição de dados
citadas no capítulo 4.
O nível do tanque é enviado através da placa D/A diretamente para o IF302 através
de um loop de corrente de 4-20mA. Já a vazão de entrada (sinal de controle) é repassado
da rede industrial através do FI302 em um sinal de 4-20mA. Tal sinal é convertido no
equivalente de tensão de 0 a 5 volts e enviado ao conversor A/D para que seja usado pelo
processo.
Em [Lima 2004] são propostos dois controladores PI fixos para as seções cilíndricas.
As equações 5.2 e 5.3 apresentam as duas funções de transferência associadas a cada
controlador, em que o parâmetro “E” corresponde ao sinal de erro entre o setpoint de
cada controlador e saída da planta.
Para a parte inferior do tanque:
PI
1
(s) =
U
1
(s)
E
1
(s)
= 1[1 +
1
10s
] (5.2)
Para a parte superior do tanque:
PI
2
(s) =
U
2
(s)
E
2
(s)
= 4[1 +
1
40s
] (5.3)
5.3.1 “Design” das Aplicações em Blocos Funcionais
As duas estratégias de controle distribuído nos dispositivos da rede Foundation Field-
bus são baseadas em escalonadores para os controladores PID citados acima. Nos dois
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
63
Figura 5.11: Interface do processo simulado em Labview
projetos, a soma das ações dos controladores ponderadas serve como sinal de controle
do processo como um todo. A diferença, no caso, está associada a maneira como os
escalonadores são implementados.
O primeiro escalonador dos controladores PID é baseado na Lógica Fuzzy. As funções
de pertinência fuzzy que ponderam as ações dos controladores PI fixos são apresentadas
na figura 5.12. Assim, a ação de controle, a ser aplicada no processo, é a média ponderada
das ações de controle geradas pelos controladores PI fixos [Lima 2004].
A implementação das funções de pertinência pode ser realizada através de blocos
caracterizadores, os quais simulam o comportamento de uma determinada função a partir
da especificação de 20 pares ordenados (x, y).
O segundo escalonador é baseado em uma rede neural, a qual segue o comportamento
da equação A.2 para realizar o escalonamento dos controladores, visto que o comporta-
mento da seção cônica é não-linear [Silva 2005]. A figura 5.13 apresenta as funções de
ponderação dos controladores PID, as quais seguem a equação anteriormente citada.
Esse escalonador pode ser implementado na rede industrial através de uma rede neu-
ral, a qual simula seu comportamento. A figura 5.14 apresenta a validação da rede treinada
para exercer o comportamento do escalonador citado. O erro médio quadrático obtido é
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
64
Figura 5.12: Funções de pertinência para o modelo não-linear do processo
Figura 5.13: Funções de ponderação dos controladores PID
de 3,8282∗10
−5
.
A pré-configuração dos dois escalonadores de forma simultânea na rede industrial
permite que, a partir de uma necessidade futura, haja a reconfiguração da rede FF para
atender a uma das duas estratégias selecionadas. A figura 5.15 apresenta o design da
aplicação contendo os dois tipos de escalonadores.
Como pode ser observado na figura, o nível do tanque é enviado para os controladores
PID, para a rede neural e para os blocos que processam a função de pertinência fuzzy.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
65
Figura 5.14: Rede neural que simula as funções de ponderação dos controladores PID
Os controladores realizam o cálculo do algoritmo PID e tem como saída os sinais de
controle. Tais sinais podem ser ponderados tanto pelos escalonadores fuzzy, quanto pelo
escalonador neural. A ativação dos links lógicos é o fator preponderante para a escolha
do tipo de controlador.
Figura 5.15: Design da aplicação para implementação dos dois escalonadores (Fuzzy e
Neural)
A figura 5.16 apresenta a implementação dos escalonadores em blocos funcionais.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
66
Os nós da rede pintados de azul correspondem as funções de pertinência fuzzy. Os nós
pintados de amarelo são os blocos funcionais que implementam a rede neural. Também
estão destacados na figura os dois controladores PID, os quais são representados pelos
blocos pintados de verde.
Figura 5.16: Implementação em blocos funcionais para os dois escalonadores
5.3.2 Levantamento e Análise dos Resultados
Os testes realizados partiram de uma pré-configuração, na qual o escalonador com
funções de pertinência fuzzy estava ativado na rede e foi feita a reconfiguração para que o
escalonador neural atuasse nos dispositivos.
Comparado com os testes do primeiro cenário, o modo de realizar a reconfiguração
da rede é semelhante. No caso, ao invés de realizar a troca de arquitetura da rede neural,
para essa implementação, faz-se necessário o ajuste dos parâmetros de ganho dos blocos
funcionais aritméticos que fazem o papel dos multiplicadores na estratégia.
Cada bloco aritmético possui três entradas físicas que podem ser ponderadas por cons-
tantes definidas nos blocos. Através de um cliente OPC, é possível realizar a atualização
desses valores e ativar o link lógico do escalonador fuzzy ou do escalonador neural.
A figura 5.17 apresenta o tempo de resposta do sistema para realizar a reconfiguração
do escalonador fuzzy para o escalonador neural para uma mesma faixa de setpoint (60%
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
67
do nível do tanque). O início do quadro indica o momento em que o sinal de controle
é anulado e o nível do tanque começa a cair. Nesse instante, os parâmetros dos blocos
aritméticos são ajustados para ativar o escalonador neural.
Figura 5.17: Tempo de resposta do sistema para reconfiguração com setpoint em 60%
O parâmetro para reativar o sinal de controle também foi a redundância presente
no cliente OPC, o qual espera a confirmação de leitura de todas as variáveis enviadas
para reajustar o modo de operação do bloco de saída analógica. Como pode ser visto na
figura 5.17, o tempo total de reconfiguração girou em torno de 30 segundos.
A diferença existente entre os tempos de reconfiguração do primeiro e do segundo
cenário, deve-se ao fato de que, no primeiro caso, toda rede neural deve ser alterada,
consumindo um pouco mais de tempo para confirmação da escrita em todos os parâmetros
da rede.
A figura 5.18 apresenta outro teste realizado. Neste exemplo, durante a anulação do
sinal de controle para realizar a reconfiguração da estratégia de controle, altera-se o valor
do setpoint dos controladores de 20% para 80% do nível do tanque.
O tempo de resposta do sistema é semelhante ao do primeiro exemplo, aproximando-
se dos 30 segundos. No entanto, esse exemplo prático se aproxima mais de uma situação
real, em que as diferente faixas de operação do operação do processo podem exigir dife-
rentes funcionalidades agregadas ao sistema de controle.
CAPÍTULO 5. RESULTADOS E DISCUSSÕES
68
Figura 5.18: Tempo de resposta do sistema para reconfiguração com setpoint entre 20% e
80%
CAPÍTULO 6
Considerações Finais
CAPÍTULO 6. CONSIDERAÇÕES FINAIS
70
6.1 Conclusões
A presente dissertação apresentou um estudo da viabilidade técnica de se realizar re-
configurações nas estratégias distribuídas em dispositivos de campo que seguem o padrão
de comunicação Foundation Fieldbus, mostrando a possibilidade de se realizar tal imple-
mentação com garantias em questões temporais e questões de segurança.
Alguns aspectos da tecnologia de redes industriais em questão, como a interoperabi-
lidade, foram mantidos, pois as implementações tiveram como base os blocos funcionais
padronizados pelo protocolo.
Outros aspectos como a flexibilidade e a adaptabilidade foram fortalecidos com a
possibilidade de se estender a gama de funciolidades da rede industrial através da com-
binação de poderosas ferramentas da inteligência artificial, como as redes neurais, e um
modo prático de configurá-las em tempo de execução.
6.2 Contribuições da Dissertação
Além da relevância já comentada de um meio para realizar a reconfiguração dos ins-
trumentos de uma rede Foundation Fieldbus em tempo de execução de suas tarefas, vale
ressaltar também as demais contribuições obtidas com o desenvolvimento do trabalho.
Uma delas consiste na criação de um ambiente híbrido para testes diversos relativos a
uma rede industrial. O meio criado para realizar a comunicação de um processo simulado
com um ambiente de rede industrial real tem grande valor no aspecto técnico, pois torna-se
viável o estudo de diversas aplicações nas mais variadas áreas de automação de processos,
desde que o processos simulados sigam fielmente a caracterização dos processos reais.
As demais contribuições estão associadas ao âmbito acadêmico com algumas pu-
blicações feitas em conjunto com demais pesquisadores do Laboratório de Avaliação
de Medição em Petróleo (LAMP). Tais publicações foram citadas no decorrer e cor-
respondem aos estudos feitos para criação de uma arquitetura multi-agente nos dispo-
sitivos de campo da rede industrial [Machado et al. 2008a] [Machado et al. 2008b] (o
modo de reconfiguração das estratégias no ambiente de rede é base para tal estudo), as-
sim como a criação do ambiente híbrido para concepção de sensores de software [Costa
et al. 2008] [Rodrigues et al. 2008].
CAPÍTULO 6. CONSIDERAÇÕES FINAIS
71
6.3 Perspectivas e Trabalhos Futuros
Para uma avaliação ainda mais satisfatória do modo de reconfiguração das estratégias
distribuídas em dispositivos de uma rede industrial Foundation Fieldbus, faz-se necessário
a incorporação desta metodologia a processos mais complexos da industria petroquímica.
Como citado no capítulo 4, o ambiente híbrido pode ser associado ao software de
simulação de processos químicos Aspen Hysys. Com tal integração, é viável realizar o
estudo de diferentes sensores virtuais aplicados aos processos da indústria petroquímica
e utilizar o modo de reconfiguração de estratégias distribuídas para agregar um nível de
automação ainda maior ao sistema.
Além disso, destaca-se também como trabalho futuro a continuação da concepção de
uma arquitetura multi-agente em um ambiente de rede industrial Foundation Fieldbus.
Essa arquitetura prevê a criação de alguns níveis de agentes inteligentes no barramento
de campo responsáveis por tarefas como diagnóstico de falhas, filtragem de sinais, dentre
outras. Tais agentes serão implementados a partir de diferentes estratégias concebidas
através do blocos funcionais e a reconfiguração das estratégias estará associada a ativação
dos diferentes agentes. No caso, tal trabalho vem sendo desenvolvido em parceria com o
aluno de doutorado do Programa de Pós-graduação de Engenharia Elétrica e Computação
da UFRN, Vinícius Machado.
Referências Bibliográficas
Advantech (n.d.), ‘Home Page da Advantech. http://www.advantech.com/. Acessada em
Dezembro/2007’.
Berge, Jonas (2001), Fieldbuses for Process Control: Engineering, Operation and Main-
tenance, ISA - The Instrumentation, Systems and Automation Society.
Brandão, Dennis (2005), Ferramenta de Simulação para Projeto, Avaliação e Ensino de
Redes Fieldbus, Tese de doutorado, Universidade de São Paulo.
Brennan, Robert, Martin Fletcher & Douglas Norrie (2002), ‘An agent-based approach
to reconfiguration of real-time distributed control systems’, IEEE Transactions on
Robotics and Automation 18(4), 444–451.
Buse, D. P. & Q. H. Wu (2004), ‘Mobile agents for remote control of distributed systems’,
IEEE Transactions on Industrial Eletronics 51(6), 1142 – 1149.
Cagni, Eloi (2007), Software inteligente embarcado aplicado à correção de erro na
medição de vazão em gás natural, Dissertação de mestrado, Universidade Federal
do Rio Grande do Norte.
Cagni, Eloi, David Pereira, Adrião Dória, Jorge Melo & Luiz Oliveira (2005), ‘The imple-
mentation of the self-calibration, self-compensation and self-validation algorithms
for foundation fieldbus sensors are presented using standard function blocks’, IEEE
International Conference on Computational Intelligence for Measurement Systems
and Applications 20(22), 220–225.
Cicillini, Daniele (2007), Desenvolvimento de um algoritmo de escalonamento para rede
foundation fieldbus, Dissertação de mestrado, Universidade de São Paulo.
Costa, Bruno, Leonardo Guanabara, Igor Rodrigues, Daniel Martins, Adrião Dória, Jorge
Melo & Luiz Oliveira (2008), ‘Ambiente híbrido para concepção de sensores de
software aplicados aos problemas da indústria do petróleo’, Rio Oil & Gas 2008 .
72
REFERÊNCIAS BIBLIOGRÁFICAS
73
Costa, Isabele (2006), Projeto e implementação em ambiente foundation fieldbus de fil-
tragem estocástica baseada em análise de componentes independentes, Dissertação
de mestrado, Universidade Federal do Rio Grande do Norte.
Fernandes, Raphaela (2007), Detecção e isolamento de falhas em sistemas dinâmicos
baseados em redes neurais, Dissertação de mestrado, Universidade Federal do Rio
Grande do Norte.
Fie (2001), FOUNDATION Specifications - Function Block Application Process.
Fie (2003), FOUNDATION Specifications - SP-150 H1, HSE, and User Layer Technical
Specifications.
Fortuna, L., S. Graziani, Alessandro Rizzo & M. Xibilia (2006), Soft Sensors for Moni-
toring and Control of Industrial Processes, 1
a
edição, Springer.
Fortuna, L., S. Graziani & M. Xibilia (2005), ‘Virtual instruments in refineries: Data mon-
itoring for environmental quality’, IEEE Instrumentation e Measurement Magazine
8(4), 26–34.
Foundation, Fieldbus (n.d.), ‘Home Page do Fieldbus Foundation.
http://www.fieldbus.org/. Acessada em Dezembro/2007’.
Haykin, Simon (2004), Redes Neurais: Princípios e Prática, Bookman.
Labview (n.d.), ‘Home Page da National Instruments. http://www.ni.com/. Acessada em
Setembro/2008’.
Lima, Fábio (2004), Estratégia de escalonamento de controladores pid baseado em regras
fuzzy para redes industriais foundation fieldbus usando blocos padrões, Dissertação
de mestrado, Universidade Federal do Rio Grande do Norte.
Machado, Vinícius, Adrião Duarte Dória, Jorge Dantas de Melo, Leonardo Ramalho &
Juliana Medeiros (2008a), ‘Multiagent architecture for function blocks: Intelligent
configuration strategies allocation’, IEEE International Conference on Industrial
Informatics 13(16), 1377–1382.
Machado, Vinícius, Adrião Duarte Dória, Jorge Dantas de Melo, Leonardo Ramalho
& Juliana Medeiros (2008b), ‘A neural network multiagent architecture applied to
fieldbus intelligent control’, IEEE International Conference on Emerging Technolo-
gies and Factory Automation pp. 567–574.
REFERÊNCIAS BIBLIOGRÁFICAS
74
Marangoni, Cintia (2005), Implementação de uma Estratégia de Controle Distribuída em
uma Coluna de Destilação, Tese de doutorado, Universidade Federal de Santa Cata-
rina.
Pantoni, Rodrigo (2006), Desenvolvimento e implementação de uma descrição de dispo-
sitivos aberta e não-proprietária para equipamentos foundation fieldbus baseada em
xml, Dissertação de mestrado, Universidade de São Paulo.
Prayati, Aggeliki, Christos Koulamas, Stavros Koubias & George Papadopoulos (2004),
‘A methodology for the development of distributed real-time control applications
with focus on task allocation in heterogeneous systems’, IEEE Transactions on In-
dustrial Eletronics 51(6), 1194–1207.
Rodrigues, Igor, Bruno Costa, Leonardo Guanabara, Daniel Martins, Adrião Dória, Jorge
Melo & Luiz Oliveira (2008), ‘Ambiente para concepção de sensores de software
em redes industriais foundation fieldbus’, VIII Industrial Applications International
Conference - Induscon .
Sam (2000), Technical Information: Foundation Fieldbus.
Silva, Diego (2005), Redes neurais artificiais no ambiente de redes industriais foundation
fieldbus usando blocos funcionais padrões, Dissertação de mestrado, Universidade
Federal do Rio Grande do Norte.
Smar, Equipamentos (n.d.), ‘Home Page da Smar. http://www.smar.com.br/. Acessada em
Novembro/2007’.
Strasser, T., I. Müller, C. Sünder, O. Hummer & H. Uhrmann (2006), ‘Modeling of recon-
figuration control applications based on the iec 61499 reference model for industrial
process measurement and control systems’, IEEE Workshop on Distributed Intelli-
gent Systems: Collective Intelligence and Its Applications pp. 127–132.
Zanata, Diogo (2005), Desenvolvimento de um sensor virtual empregando redes neurais
para medição da composição em uma coluna de destilação, Dissertação de mestrado,
Universidade de São Paulo.
Zerbetto, Angelo (2007), Análise do impacto da comunicação em redes foundation field-
bus no desempenho de sistemas de controle, Dissertação de mestrado, Universidade
Federal do Rio Grande do Sul.
APÊNDICE A
Modelo Não-Linear - Tanque Cônico
O modelo não-linear descrito abaixo corresponde a simulação criada para validação
do sistema. Como pode ser visto na figura A.1, o tanque é formado por dois cilindros e
uma parte cônica.
Figura A.1: Modelo físico não-linear simulado de um tanque
De acordo com [Lima 2004], a escolha de um sistema com controle de nível é inte-
ressante, visto que há uma grande tendência para sua utilização no meio acadêmico, além
de ser bastante utilizado no meio industrial. O sistema em questão também é interessante
por apresentar a integração de dois sistemas (linear e não-linear).
APÊNDICE A. MODELO NÃO-LINEAR - TANQUE CÔNICO
76
A função de transferência do tanque foi modelada através da equação A.1. O sinal de
saída é o nível (m) e o sinal de entrada é a vazão da bomba (m
3
/s).
G(s) =
L(s)
U(s)
=
R
RCs + 1
(A.1)
Em que:
• R → Resistência do orifício de saída;
• C → Capacitância do tanque (Área da seção);
• L → Nível do tanque;
• U → Vazão de entrada.
As partes cilíndricas (partes lineares) foram simuladas através de dois modelos matemáti-
cos invariantes no tempo, alterando-se apenas os valores de C, conforme características
posteriormente citadas. Para a simulação da parte cônica (parte não-linear), foi utilizado
o mesmo modelo, fazendo com que fosse variante, no qual C varia de acordo com o nível
(L) (segundo a equação A.2).
C(L) = (
π
3
) · (3· K
2
· L
2
+ 4 · r
base
· K · L + 2 · h · K
2
· L +r
base
+ 2 · r
base
· K · L) (A.2)
Em que:
K =
r
topo
− r
base
0.4
(A.3)
h =
r
base
· 0.4
r
topo
− r
base
(A.4)
O tanque simulado possui as seguintes características:
• Altura total = 1m;
• Raio base (r
base
) = 0.2m;
• Raio topo (r
topo
) = 0.4m;
• Resistência do orifício de saída (R) = 80s/m
2
;
• Altura do cilindro inferior = 0.3m;
• Altura do cilindro superior = 0.3m;
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
