Resumo-O presente trabalho tem como objetivo mostrar um método para realizar a auto-compensação de sensores Fieldbus Foundation utilizando Redes Neurais Recorrentes através de blocos funcionais. As características de tais redes possibilitam o aprendizado da dinâmica da variação da curva de calibração do sensor com o tempo, tornando possível saber o quanto um sensor está descalibrado em um certo momento. Uma introdução sobre a técnica de auto-compensação, de Redes Neurais Recorrentes e do protocolo Fieldbus Foundation será feita e, em seguida, serão mostrados a implementação do algoritmo e os resultados obtidos.
Palavras-Chave-RedesNeurais Recorrentes, AutoCompensação e Fieldbus Foundation.
I. INTRODUÇÃO
ARealização de medições precisasé de extrema importância para a indústria do petróleo, tanto por questões de segurança, ao se monitorar a pressão e a temperatura em um oleoduto, por exemplo, quanto por questões de produtividade. Entretanto, independentemente da qualidade de um sensor, ele se desgasta com o tempo, passando a indicar valores que não são coerentes com os valores reais da grandeza física medida. Esse tipo de desgaste recebe nome de descalibração.A inexatidão na medida faz com que seja necessária uma recalibração no sensor. Para isso, deve-se retirar o sensor do campo, levá-lo ao laboratório e recalibrá-lo. Esse processo pode levar muito tempo e acarretar em prejuízos econômicos, pois a medição deve ser interrompida. Comoé desconhecida a periodicidade ideal para se retirar o sensor do campo para realizar o processo de calibração, corre-se o risco de se retirá-lo antes do tempo ideal, o que provocaria uma sub-utilização do sensor, ou ainda fazer a calibração de forma tardia, o que levaria a erros de medição.A partir dessas informações, foi proposto em [1] o algoritmo da auto-compensação, responsável por corrigir automaticamente os erros decorrentes de uma falta de calibração. A implementação desse algoritmo foi feita utilizando Redes Neurais Perceptron de Múltiplas Camadas treinada pelo algoritmo da retropropagação. Esta rede neural foi utilizada por seu bom desempenho na aproximação de funções e por sua grande capacidade de generalização, i.e. fornecer saídas apropriadas mesmo para entradas que não estiveram presentes durante o processo de treinamento. Os exemplos de treinamento para a rede eram um conjunto de curvas de calibração em diversos momentos do tempo.O algoritmo, entretanto, precisava ser executado em um ambiente industrial adequado, ou seja, necessitava de uma comunicação em tempo real com os dados provenientes dos sensores. O protocolo que melhor se adaptou foi o Foundation Fieldbus (FF), pois possui uma rede de comunicação rápida, digital e tem suporte para englobar o algoritmo proposto.O algoritmo foi implementado através de blocos funcionais que possuem funções básicas que, combinados, são capazes de implementar a rede neural necessária para o algoritmo.Após o treinamento, que era feito de forma off-line, os pesos da rede eram inseridos em blocos funcionais específicos do sensor Foundat...
