14ª conferência sobre tecnologia de...
TRANSCRIPT
COTEQ2017 - 143
IDENTIFICAÇÃO DE DANOS EM PÁS DE TURBINAS EÓLICAS UTILIZANDO
CLASSIFICAÇÃO AUTOMÁTICA ATRAVÉS DE DETECÇÃO DE NOVIDADES Moisés A. Oliveira
1 , Eduardo F. Simas Filho
2, Ygor T. B. Santos
3, Maria C. S. Albuquerque
4,
Ivan C. Silva 5
, Cláudia T. T. Farias 6
14ª Conferência sobre Tecnologia de Equipamentos
Copyright 2017, ABENDI, ABRACO, ABCM , IBP e FBTS.
Trabalho apresentado durante a 14ª Conferência sobre Tecnologia de Equipamentos.
As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s)
autor(es).
SINOPSE
A utilização de energias renováveis e, especialmente, a energia eólica vem crescendo
anualmente no Brasil. Este tipo de geração se mostra como uma alternativa viável em
decorrência do potencial elevado de instalação das usinas. A integridade e segurança dos
materiais empregados tem papel importante, necessitando de inspeção em intervalos
regulares, principalmente aqueles que compõem as pás das turbinas eólicas que estão sujeitas
a maior desgaste em operação. Os métodos de classificação automática de defeitos podem ser
utilizados nos ensaios não destrutivos ultrassônicos para auxiliar no processo de tomada de
decisão. Neste trabalho é proposta a aplicação de um sistema de classificação através da
técnica de detecção de novidades com a análise de outliers para os sinais ultrassônicos
coletados em corpos de prova obtidos a partir de pás eólicas. O sistema será treinado
utilizando apenas sinais da condição sem defeito. Para extração de características foram
utilizadas diferentes técnicas de processamento digital de sinais. A análise de componentes
principais foi utilizada para seleção das características mais representativas para descrever os
sinais medidos, reduzindo a dimensão dos dados apresentados ao classificador. Os resultados
mostram que o sistema de classificação é capaz de contribuir para a identificação de defeitos
produzidos durante o processamento das pás eólicas.
__________________________
Mestrando, Engenheiro Eletricista – PPGEE/UFBA
2 Prof. Dr., Engenharia Elétrica – PPGEE/UFBA
3 Graduando, Engenharia Mecânica – GPEND/IFBA
4 Prof. Dra., Engenharia de Processos – GPEND/IFBA
5 Prof. Dr., Metalúrgica e de Materiais – PPGEE/UFBA
6 Profa. Dra., Engenharia Metalúrgica e de Materiais – GPEND/IFBA
1. INTRODUÇÃO
A fim de produzir a energia eólica de forma mais eficiente, o tamanho das turbinas eólicas
tornou-se fisicamente maior, dificultando a sua manutenção e o reparo. Para garantir que
estejam em boas condições operacionais, minimizar o tempo de inatividade, diminuir a
frequência de avarias inesperadas, reduzir os elevados custos de manutenção e logística e
fornecer geração de energia confiável, as turbinas eólicas devem ser monitoradas
periodicamente (1, 2).
No que tange a inspeção do sistema eólico, a inspeção visual pode detectar alguns defeitos,
tais como vazamentos e corrosão. Além disso, alteração na cor das superfícies dos
componentes pode indicar variações de temperatura ou deterioração e o som proveniente dos
rolamentos, pode indicar alteração da condição física. Contudo, muitas das falhas mais
típicas, como rachaduras e rugosidades nas superfícies das pás, curtos-circuitos elétricos no
gerador e superaquecimento da caixa de velocidades exigem uma abordagem mais sofisticada
para a manutenção (3, 4).
O sistema de geração de energia eólica necessita de manutenção durante seu período de
operação, requisitando o uso dos ensaios não destrutivos a fim garantir a segurança e
confiabilidade estrutural. A inspeção por ultrassom tem se mostrado uma alternativa de baixo
custo com o uso de métodos não convencionais em função das características anisotrópicas do
material das pás. A combinação de técnicas de processamento digital de sinais, redes neurais
artificiais, árvores de decisão e discriminantes lineares são utilizadas com sucesso para
identificar sinais que pertencem a um número limitado de classes, definidas antecipadamente
a partir das amostras disponíveis para treinamento.
A detecção de amostras de classes previamente desconhecidas é uma tarefa crucial no
reconhecimento de objetos, principalmente quando se lida com amostras reais onde a
suposição de condições de testes não é válida. Ao invés de assumir um ambiente de mundo
fechado que compreende um número fixo de classes, os sistemas de reconhecimento de
padrões modernos precisam reconhecer outliers, ou seja identificar anomalias ou descobrir
classes inteiramente novas que atualmente não fazem parte do modelo estabelecido. Este
último critério é essencial na aprendizagem ao longo da vida, onde o sistema evolui ao longo
do tempo e o número de categorias de componentes pode crescer. É neste cenário, novas
classes devem ser detectadas automaticamente para treinar as categorias de objetos de forma
incremental (5, 6, 7, 8).
Estre trabalho avalia os sinais obtidos por meio da técnica ultrassônica pulso eco por imersão
em amostras de compósito de resina polimérica empregadas em pás de turbinas eólicas com
defeitos de delaminação e matriz seca, e regiões sem danos. Os sinais foram utilizados após
serem processados digital e estatisticamente para alimentar um sistema de classificação neural
que identificou as classes presentes. O classificador novelty detection foi empregado para
identificar defeitos que não estavam presentes na etapa de treinamento.
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Ensaio Não Destrutivo por Método de Imersão
A técnica ultrassônica pulso eco por imersão abrange a determinação de descontinuidades
existentes no material utilizando os ecos de reflexão originárias dos defeitos existentes. Esta
técnica apresenta uma grande sensibilidade para identificação de pequenas descontinuidades e
precisão na detecção das mesmas uma vez que é possível evitar os efeitos campo próximo do
feixe sônico mantendo-o fora da região de analise, permitindo um aumento na área de
detecção de falhas internas do material (12).
Para materiais que sofrem degradação em função do contato direto com a água, a técnica
ultrassônica por imersão empregando um Bubbler surge como alternativa de acoplamento, em
que o feixe sônico é transmitido ao material do corpo de prova utilizando uma coluna d’água
parcialmente fixa ou em fluxo. Essa coluna d’água pode ser localizada em um suporte com
altura suficiente para assegurar apenas a utilização da região do ultrassom que é de interesse,
reduzindo ruídos e turbulências.
2.2. Processamento Digital e Estatístico de Sinais
A Transformada Discreta de Fourier (DFT) possui papel importante em diversas aplicações de
processamento digital de sinais, abrangendo filtros lineares, análises de correlação e análises
espectrais. A fim de alterar-se o cálculo da DFT para torna-lo mais eficiente, foi desenvolvido
um método denominado por Transformada de Fourier Rápida (FFT) que utiliza as
propriedades de simetria e periodicidade do fator exponencial presente no cálculo da DFT.
Assim o número de multiplicações necessárias para o cálculo da DFT é reduzido de N² para
Nlog em que N é uma potência de 2 (9) A Equação 1 apresenta o cálculo da DFT a seguir:
1N
0n
N
n 2k j
enxX[k]
(1)
A teoria matemática da Transformada Wavelet está associada com a construção de um modelo
para um sinal, sistema ou processo com um conjunto especial de sinais conforme apresentado
na Equação 2. Estes sinais especiais são apenas pequenas ondas chamadas “wavelets”. A
transformada Wavelet discreta (DWT) constitui um caso particular da transformada Wavelet
contínua (CWT). A DWT corresponde a CWT aplicada em determinadas posições escaladas
(a,b). Ela pode ser implementada através de um conjunto de filtros.
dta
bt
atfbaF
1)(),(
(2)
Para melhor análise geralmente se trabalha com termos de aproximação e detalhe, onde as
aproximações correspondem à baixa frequência do sinal e os detalhes correspondem à alta
frequência do sinal (10). A decomposição pode continuar sucessivamente, ou seja, as
aproximações e os detalhes criados podem ser decompostas em novos termos de aproximação
e detalhe, como pode ser encontrado na Figura 1.
Figura 1 - Decomposição Wavelet com sub-amostragem.
A análise de componentes principais PCA é uma técnica estatística de processamento de
sinais cujo objetivo é encontrar uma transformação linear tal que os sinais projetados sejam
não-correlacionados (ortogonais) e grande parcela da energia (variância) esteja concentrada
num pequeno número de componentes. Para isso, são exploradas informações estatísticas de
até segunda ordem (médias e variâncias) conforme descrito por Joiliffe (12).
Considerando-se um vetor x = [x1; ... xN]T aleatório com N elementos, assume-se que ele
tenha média zero: E{x} = 0, então a projeção zi de x na direção de vi pode ser expressa pela
Equação 3:
(3)
Na transformação por PCA, os componentes zi (i = 1 ,..., N) devem ser ortogonais e ordenados
(de modo decrescente) pela variância das projeções, sendo, então, z1 a projeção de máxima
variância. Como E{x} = 0, então E{zi} = 0, logo a variância da projeção zi é calculada por
E{zi}². Seguindo a definição da PCA, z1 tem máxima variância; logo, v1 pode ser encontrado
pela maximização da Equação 4:
(4)
Onde Cx é a matriz de covariância de x. A solução para o problema de maximização de J1
pode ser encontrada na álgebra linear, em função dos autovetores e1; e2; ..., eN da matriz Cx. A
ordem dos autovetores é tal que os autovalores associados satisfazem d1 > d2 > ... > dN. Desta
forma, tem-se a Equação 5:
, 1≤i≤N (5)
Simas Filho et. al. (2013) utilizou as técnicas de processamento estatístico de sinais PCA e
ICA (Independent Component Analysis) aliadas as ferramentas de processamento digital de
sinais para extrair as informações discriminantes e remover as informações redundantes de
materiais compósitos a fim de auxiliar a tomada de decisão de uma rede neural artificial
aumentando a eficiência de classificação para a identificação dos defeitos (13).
2.3. Classificação Automática de Defeitos
Redes neurais artificiais são técnicas computacionais que apresentam um modelo matemático
inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através
da experiência. As redes são organizadas a partir de estruturas menores, denominadas
neurônios e apresentam uma estrutura complexa e não linear.
Em uma rede neural a unidade fundamental para o processamento da informação é o
neurônio. Nele o cálculo da saída é feito pela soma ponderada da informação fornecida e uma
função de transferência, também chamada função de ativação. A cada entrada está associado
um peso que reflete a importância da entrada. O objetivo da função de ativação é limitar a
amplitude da saída do neurônio (14).
A função de ativação restringe a amplitude máxima da saída de um neurônio, devido a isto é
também chamada função restritiva. Aprendizagem é um processo pelo qual os parâmetros
livres de uma rede neural são adaptados através de um processo de estimulação pelo ambiente
no qual a rede está inserida. No processo de aprendizagem busca-se que a rede neural produza
uma particular resposta a uma específica entrada. Contudo esta resposta desejada pode ser
especificada ou não de forma a prover correção externa. O algoritmo de aprendizado é o
conjunto de procedimentos bem definidos para adaptar os parâmetros de uma rede neural
artificial a fim de que possa aprender uma determinada função (15).
Uma importante classe de rede neurais são as chamadas perceptron de múltiplas camadas
(MLP do inglês Multilayer perceptron). Camada de neurônios pode ser definida como
conjunto de neurônios que possuem as mesmas entradas. Esta arquitetura é composta por uma
camada de entrada, uma ou mais camadas ocultas e uma camada de saída.
O sinal de entrada se propaga através da rede na direção direta. O treinamento é feito de
maneira supervisionada e um dos algoritmos de aprendizagem mais utilizados é o de
retropropagação do erro (error backpropagation) (14). Este algoritmo consiste de dois passos:
durante a operação da rede no sentido direto os pesos sinápticos da rede são todos fixos e um
vetor de entrada é aplicado aos nós sensoriais da rede e seu efeito se propaga através da rede,
camada por camada. Ao final um conjunto de saídas é determinado como a resposta real da
rede. Na propagação inversa, os pesos sinápticos são tratados conforme a regra de correção do
erro, fazendo com que a resposta atual se aproxime da resposta esperada do ponto de vista
estatístico, conforme ilustrado na Figura 2.
A Equação 6 apresenta o cálculo da saída y como resposta da rede após o treinamento com a
função de ativação h que utiliza os pesos sinápticos w, as entradas x para o treinamento do
algoritmo de aprendizado e a função de ativação bias b.
n
1i
iii bxwhy (6)
Figura 2 – Rede do tipo backpropagation (15).
2.4. Novelty Detection
A definição de detecção de novidade (ND do inglês novelty detection) pode ser descrita com
base em um conjunto fixo de amostras de treinamento de um número fixo de categorias, cuja
tarefa de decisão binária é determinar para cada amostra de teste se ela pertence a uma das
categorias conhecidas ou não. Uma suposição comum para a detecção de novidade é que no
espaço de características, amostras que ocorrem muito longe dos dados de treinamento
provavelmente pertencem a uma nova categoria (6).
A detecção de novidades é uma técnica útil na análise de sistemas de alta integridade, nos
quais exemplos de falhas são raros em comparação com o número de exemplos de
comportamento estável, pois o método é treinado com o conhecimento apenas da condição
normal.
Na detecção de novidades, temos como objetivo a criação de funções de escore (f : RD R),
capazes de atribuir uma pontuação que indique o quão dissimilar um vetor de características
arbitrário (x∗ RD) é em relação a um conjunto de dados conhecido (D = {xi} ≡ X
RD×N
). Consequentemente, valores de escore altos indicam uma maior distinção comparado
com que é considerado conhecido. Do mesmo modo, é possível definir um limiar τ de forma
que se f(x∗) > τ, o vetor de características é assinalado como anormal ou novidade. A variação
deste limiar fornece uma curva similar à curva ROC (do inglês receiver operating
characteristic), relacionando a convenção entre a detecção de novidades e o reconhecimento
das classes conhecidas (7).
A curva ROC representa a relação entre a sensibilidade em função da proporção de falsos
positivos (1- Especificidade) para um conjunto de valores aplicado a um teste com um
determinado ponto de corte que discrimine o valor de dessa variável como pertencente a uma
das duas classes associadas ao teste.
A detecção de novidades pós-processamento é abordada da seguinte forma (8):
Um vetor de características proveniente do sistema de pré-processamento de sinais é
recebido pelo algoritmo de classificação;
O sistema de classificação decide qual classe é mais plausível dentre as N conhecidas;
Seleciona-se o valor produzido pelo detector corresponde à classe arbitrada pelo
classificador, o qual é confrontado a um limiar determinado antecipadamente;
Se o escore for superior a este limiar, o sinal é considerado como desconhecido ou
anormal (+1), e a classificação prévia é descartada. Se for inferior, a classificação é
mantida, e o sinal é considerado normal (-1).
Bodeshein et. al. utilizaram a técnica de detecção de novidades com o método de espaço nulo
para a modelagem e classificação de um sistema multiclasse de imagens em que o resultado o
mapa de treinamento cada conjunto de amostra associada a uma classe era sinalizada como
um único ponto (6). Bodeshein et. al. aplicaram o método de aprendizagem local de imagens
em que cada amostra testada um modelo de classificação específico é aprendido na hora
usando o método kNN seguido de um classificador multiclasse SVM. Isto permitiu a
aprendizagem de limites de decisão não-lineares complexos, que são necessários para modelar
dados de imagem com ampla disparidade (7).
Rocha e Souza Filho apresentaram uma metodologia de classificação para o monitoramento
de sistemas de sonar passivo em que se concretiza a integração de um subsistema de
classificação baseado em redes neurais com outro para a detecção de classes desconhecidas
através de um método de k-vizinhos mais próximos. A metodologia proposta obteve taxas de
identificação de classes conhecidas e desconhecidas de 92,87% e 60,32%, no pior caso; e de
94,35% e 79,87%, para o melhor caso, com a capacidade de operação em tempo real e baixo
custo computacional (8).
3. METODOLOGIA
Os corpos de prova utilizados foram obtidos de uma seção de pás da turbina eólica que
consiste em uma camada de madeira de balsa de 10mm recoberta por uma fibra de vidro em
matriz de polímeros. Os três corpos de prova apresentam uma região sem defeito e a
sinalização da região com defeito (delaminação e matriz seca) para auxiliar na coleta das
classes, conforme visualizado na Figura 3. A Tabela 1 apresenta as dimensões dos CP com a
espessura da camada de fibra de vidro.
Figura 3 - Corpos de prova utilizados com a localização dos defeitos (4).
Tabela 1 - Dimensões dos corpos de prova
Corpo de Prova Espessura (mm) Comprimento (mm) Largura (mm)
1 – Delaminação 5,1 229 201
2 – Delaminação 5,1 226 226
3 – Matriz Seca 4,9 224 216
O ensaio ultrassônico por imersão Bubbler utilizando o acoplante ágar-ágar foi realizado com
o uso de um gerador de pulso Olympus® 5077PR que excitava um transdutor Olympus
Panametrics® V303, frequência central 1 MHz. Os sinais foram digitalizados em um
osciloscópio digital Tektronix® TDS 2024B, a uma frequência de amostragem de 250MHz
comunicando via USB com um computador para a etapa de processamento. A varredura das
amostras foi efetuada com a coleta de sinais de região com e sem defeito, adquirindo 100
sinais para as regiões com e sem defeito em cada corpo de prova. A Figura 4 ilustra a
configuração experimental empregada no trabalho.
Figura 4 - Configuração do ensaio.
Cada amostra dos sinais coletados consistiu de 2500 pontos que foram processados com o
MATLAB®, utilizando a transformada de Fourier e Wavelet para extrair as principais
características espectrais do sinal. A aplicação do algoritmo das transformadas, através do
janelamento, selecionou 300 coeficientes para cada amostra de sinal correspondente a uma
determinada condição do corpo de prova. A redução de dimensão das características com o
algoritmo PCA permitiu que com a seleção dos parâmetros estatísticos de segunda ordem, ou
seja a variância do sinal, cada vetor fosse condensado a 100 componentes para cada amostra
coletada com 99,98% da energia equivalente do sinal original coletado.
Para escolha do número de neurônios da camada oculta, foi adotado um procedimento
incremental, variando de 1 a 10, a quantidade de neurônios. Para cada configuração foram
calculados, após 5 inicializações do treinamento, o valor médio e o desvio padrão do produto
das eficiências e do tempo de treinamento. Foi utilizado o algoritmo de treinamento
Levemberg-Marquardt (LVM) com o desempenho ajustado para minimizar o erro médio
quadrático.
Para os algoritmos de detecção de novidades, foram utilizadas 100 assinaturas da condição
sem defeito, separados com a seguinte proporção: 60% para treinamento, 20% para validação
e 20% para teste. As condições anormais foram apresentadas separadamente ao classificador.
Neste caso, o conjunto de 100 amostras de cada classe foi dividido igualmente entre
treinamento e teste.
A cadeia de processamento foi ilustrada na Figura 5.
Figura 5 - Ilustração da cadeia de pré-processamento utilizada.
Foi empregada uma técnica que realiza o cálculo da mediana da distância euclidiana entre o
vetor de características sob teste e os k-vizinhos mais próximos (knearest neighbors, k-NN)
pertencentes ao conjunto de dados conhecidos. Nesta situação foi adotado k=2 para o número
de classes totais, e os eventos verdes (cruz) representam os dados da classe conhecida na
Figura 6. Pode-se verificar que o caso do evento de teste azul (quadrado), para o qual este
valor é baixo, é tido como análoga à classe conhecida. A utilização da mediana propõe
minimiza o efeito da presença de outliers na vizinhança de um evento de teste, como se tem
no caso do evento vermelho (círculo).
Figura 6 – Técnica k-means de detecção de novidades (5).
4.RESULTADOS
4.1.A-Scan do Ensaio Ultrassônico
O ensaio ultrassônico coletou 100 amostras para cada condição dos corpos de prova. A Figura
7 apresenta o comportamento típico no domínio do tempo para cada classe. Observa-se que
não há ecos capazes de fornecer indicações da presença de defeitos e, portanto, não é possível
analisar corretamente o sinal, justificando assim a utilização das etapas de processamento dos
sinais, propostas neste trabalho.
Ambiente do Ensaio
Sinal Ultrassônico A-
Scan (2500 pontos)
Normalização do Sinal entre -1 e
+1 2050
FFT e Wavelet C4096
PCA Redução das Dimensões
C100
Sistemas de classificação e
detecção de novidades
Figura 7 – A-Scan dos corpos de prova das regiões sem defeito (a), delaminação CP1 (b), delaminação
CP2 (c) e matriz seca (d).
4.2. Análise Espectral com Processamento Estatístico
Os espectros de frequência foram obtidos após aplicação do algoritmo da FFT aos sinais
previamente filtrados pela DWT da família Daubechies de ordem 3. A extração do vetor de
características foi realizada através da análise de componentes principais, conforme a cadeia
de processamento apresentada na Figura 5. No domínio da frequência, conforme ilustrado na
Figura 8, diferente do domínio do tempo, observou-se uma distinção entre os espectros típicos
de cada classe.
O espectro de frequência referente à condição de sem defeito apresenta uma distribuição mais
regular em torno da sua frequência central. O espectro da delaminação no CP1 apresenta
grande atenuação das componentes em torno da frequência central, enquanto para o mesmo
defeito no CP2 ocorre um deslocamento para baixas frequências. O CP3 com defeito matriz
seca tem um espectro com largura de banda maior do que àqueles observados nos demais.
Figura 8 – Espectro de frequência após a realização do processamento digital e estatístico de sinais.
4.3. Classificador Neural
O classificador neural permitiu uma avaliação mais consistente da existência de um defeito. A
avaliação do produto das eficiências combinado ao desvio padrão e ao tempo de
processamento levou à escolha de 5 neurônios na camada oculta conforme os gráficos das
Figuras 9 e 10.
Figura 9 – Número de neurônios em função do produto das eficiências e o desvio padrão das medidas.
Figura 10 – Tempo de processamento para o número de neurônios
A curva ROC na Figura 11 reúne o resultado do comportamento durante as etapas de
treinamento, validação e teste da escolha para um classificador com 5 neurônios na camada
oculta. Como as curvas ROC são uma forma de representação entre a sensibilidade (falso
negativo) e a especificidade (falso positivo) de um teste em função de um ponto de corte, a
área sob essas curvas está relacionada à maior exatidão do teste. Portanto as curvas ROC para
a rede neural com 5 neurônios evidenciaram a maior área durante a tomada de decisão.
Figura 11 – Curva ROC para o classificador neural com 5 neurônios na camada oculta.
A Tabela 2 mostra a matriz de confusão MC obtida na etapa de testes da rede. Os sinais
correspondentes a sem defeito foram classificados com mais de 96% de acerto e os falsos
positivos representaram 2,75%. Os sinais da delaminação provenientes do CP1 foram
classificados corretamente em 82,50%, dos casos, ocorrendo falso negativo de 17,5%. Os
sinais do CP2 e CP3 foram corretamente classificados em 100% dos casos, sem falsos
negativos.
Tabela 2 – Matriz de Confusão da Rede Neural
MC Sem Defeito CP1
Delaminação
CP2
Delaminação
CP3
Matriz Seca
Sem Defeito 96,25% 2,75% 0,00% 0,00%
CP1
Delaminação
17,50% 82,50% 0,00% 0,00%
CP2
Delaminação
0,00% 0,00% 100,00% 0,00%
CP3
Matriz Seca
0,00% 0,00% 0,00% 100,00%
4.4. Novelty Detection
A Tabela 3 apresenta os resultados obtidos pela técnica de Detecção de Novidades. A
eficiência do método, acima de 85% para os 3 casos, indica resultados promissores para a
aplicação da técnica na detecção de características anormais provenientes da inspeção
ultrassônica de pás eólicas.
Tabela 3 – Matriz de confusão para mapas de treinamento
MC Exatidão Sensibilidade
(Falso Negativo)
Especificidade
(Falso Positivo)
Limiar de detecção
CP1
Delaminação
88,57% 84,00%
(16,00%)
100,00%
(0,00%)
1,83
CP2
Delaminação
100,00% 100,00%
(0,00%)
100,00%
(0,00%)
1, 738
CP3
Matriz Seca
85,71% 80,00%
(20,00%)
100,00%
(0,00%)
1, 738
A Figura 12 apresenta o mapa de treinamento da classe considerada normal (sem defeito) em
oposição às diferentes condições anormais para o método de detecção de novidades utilizando
o kmeans.
As amostras em verde indicam a condição normal utilizadas para o treinamento do método, o
marcador azul foi utilizado para sinalizar as amostras normais de teste, o marcador vermelho
representa as amostras da novidade testadas após o treinamento e o limiar pontilhado indica o
valor utilizado para determinação da detecção de novidade.
(a) CP1
(b) CP2
(c) CP3
Figura 12 – Mapas de treinamento para os corpos de prova
As amostras de teste próximo à origem nos gráficos do CP1 e CP3, embora tenham
características de defeitos diferentes, apresentaram alguma confusão com o modelo
estabelecido situando-se próximo ao limiar de separação dos agrupamentos, gerando um falso
alarme de que as condições do material estão normais. Esse tipo de falso alarme é uma das
principais razões de questionamento realizado pelos sistemas de monitoramento convencional
para esse tipo de ensaio. Para o CP2 que possui uma classificação de defeito idêntica ao CP1
não foi associada nenhuma condição de falso positivo para o vetor de características
analisado.
A avaliação conjunta dos mapas com a tabela reforça a eficiência da aplicação do método de
detecção de novidades para a classificação de anormalidades em pás eólicas
A Figura 13 mostra a projeção espacial das amostras agrupadas e a curva ROC obtida para
cada uma das condições anormais identificadas em cada corpo de prova pelo método de
detecção de novidades usando kmeans. O agrupamento espacial reflete a distribuição da
projeção dos grupos durante a padronização da novidade detectada a fim de separar os grupos
com o algoritmo de clusterizacão. A curva ROC AUC (do inglês Area Under Curve) também
relaciona a melhor relação de exatidão obtida para a sensibilidade e especificidade do método
kmeans para os testes com os CP das amostras de pá eólica.
(a) CP1
(b) CP2
(c) CP3
Figura 13 – Método de ND utilizando kmeans com a respectiva curva ROC para os vetores de
características (a) CP1 com delaminação, (b) CP2 com delaminação e (c) CP3 com matriz seca
O agrupamento espacial bem distinto entre as classes normal (verde) com a classe de
novidade (vermelho) associado com os resultados alcançados para as curvas ROC próximo ao
canto superior esquerdo das amostras testadas permite afirmar que o método kmeans obteve
um resultado elevado de sensibilidade e especificidade confirmado pela Tabela 3.
Assim podemos afirmar que a proposta de utilizar a técnica de detecção de novidades é
suficientemente sensível para a identificação de condições anormais assim como o método
convencional de classificador neural apresentado na Seção 4.3.
A Tabela 4 mostra o resultado comparativo dos sistemas de classificação usando a rede neural
e a técnica de detecção de novidades kmeans. Os resultados encontrados reforçam a proposta
de uma aplicação integrada entre os dois métodos associados como auxílio nos sistemas de
tomada de decisão atualmente utilizados por operadores treinados para o monitoramento
desses equipamentos.
Tabela 4 – Comparação entre a exatidão das técnicas de classificação
CORPO DE PROVA Classificador Neural
LVM
Detecção de Novidades
Kmeans
CP1 Delaminação 82,50% 88,57%
CP2 Delaminação 100,00% 100,00%
CP3 Matriz Seca 100,00% 85,71%
5. CONCLUSÕES
Os sinais A-Scan, coletados durante a inspeção ultrassônica pela técnica de imersão com
Bubble foram pré-processados com as rotinas computacionais e, em seguida, utilizados para
alimentar classificadores neurais. A rede neural alimentada a partir da Transformada Rápida
de Fourier e da Transformada Wavelet Discreta se mostrou útil com eficiência superior a
95%. A técnica de detecção de novidades está preocupada com entradas, reconhecendo
aquelas que diferem de algum modo das que são geralmente conhecidas. Os sistemas de
detecção de novidade na rede são treinados apenas com exemplos negativos onde essa classe
não está presente e, depois, detecta entradas que não se encaixam no modelo que adquiriu,
identificando os membros da nova classe.
O método de detecção de novidades a partir dos kmeans mostrou-se promissor para a
identificação de condições anormais associadas a diferentes tipos de defeito associado às
falhas existentes na lâmina de pás de turbinas eólicas.
AGRADECIMENTOS
A CAPES pelo auxílio financeiro.
Ao IFBA/GPEND pela infraestrutura dos laboratórios de ensaio e à UFBA pela infraestrutura
do Laboratório de Sistemas Digitais.
6.REFERÊNCIAS BILIOGRÁFICAS
(1) Jasiūnienė, E.; Raišutis, R.; Šliteris, R.; Voleišis, A.; Jakas, M. “Ultrasonic NDT of wind
turbine blades using contact pulse-echo immersion testing with moving water container”.
Ultragarsas (Ultrasound), Vol.63, No.3, 2008.
(2) Raišutis, R.; Jasiūnienė, E.; Žukauskas, E. “Ultrasonic NDT of wind turbine blades using
guided waves”. Ultragarsas (Ultrasound), Vol.63, No.3, 2008.
(3) Jasiūnienė, E.; Raišutis, R.; Šliteris, R.; Voleišis, A.; Vladišauskas, A.; Mitchard, D.;
Amos, D. “NDT of wind turbine blades using adapted ultrasonic and radiographic
techniques”. Insight Vol.51, No.9, 2009
(4) Santos, Y. T. B.; Sant’ana, T. A. L..; Pereira, G. S..; Britto, L. M..; Silva, I. C.; Farias, C.
T. T. “Detecção de danos em pás de turbinas eólicas utilizando técnica não destrutiva
ultrassônica e processamento digital de sinal. ” CONAEND&IEV, São Paulo, 2016.
(5) Oliveira, M. A.; Silva, L. C.; Simas Filho, E. F.; Silva, I. C.; Albuquerque, M. C. S;
Farias, C. T. T.; “Detecção de “novidades” na classificação de defeitos em junta soldada de
aço sae1020. ” CONAEND&IEV, São Paulo, 2016.
(6) Bodesheim, P.; Freytag, A; Rodner; E.; Denzler, J. “Local Novelty Detection in Multi-
class Recognition Problems.” IEEE Winter Conference on Applications of Computer Vision
(WACV). 2015.
(7) Bodesheim, P.; Freytag, A; Rodner; E.; Kemmler, M.; Denzler, J. “Kernel Null Space
Methods for Novelty Detection.”, IEEE Conference on Computer Vision and Pattern
Recognition (CVPR). 2013.
(8) Rocha, G. G. M.; Souza Filho, J. B O. “Sistemas de classificação de contatos de sonar
passivo com rejeição a classes desconhecidas”. XXI Congresso Brasileiro de Automática
CBA 2016.
(9) Cruz, F. C. “Seleção eficiente de características para um sistema de apoio à decisão
baseado em redes neurais aplicado a inspeções não destrutivas por ultrassom. ” Dissertação
(mestrado) – Universidade Federal da Bahia. Escola Politécnica, 2014.
(10) Silva Júnior, M. M. “Sistema de Auxílio ao Diagnóstico para Inspeções por Ultrassom
Implementado num Processador Digital de Sinais. ” Dissertação (mestrado) – Universidade
Federal da Bahia. Escola Politécnica, 2015.
(11) Diniz, P. S. R., Silva, E. A. B. Netto, S. L. Digital Signal Processing System Analysis
and Design, Second Edition, Cambridge University Press. 2010.
(12) Jolliffe I. “Principal Component Analysis.” 2ed., Springer, 2002
(13) Simas Filho, E. F., Souza, Y. N., Lopes, J. L., Farias, C. T.; Albuquerque, M. C. S.,
“Decision support system for ultrasound inspection of fiber metal laminates using statistical
signal processing and neural networks," Ultrasonics, vol. 53, no. 1, pp. 1104-1111, 2013.
(14) Haykin, S. O. “Neural Networks and Learning Machines” 3rd Edition – Prentice Hall.
2009.
(15) Dieterle, F., “Multianalyte Quantifications by Means of Integration of Artificial Neural
Networks, Genetic Algorithms and Chemometrics for Time-Resolved Analytical Data”, Ph.D
Thesis, University of Tübingen - Institute of Physical and Theoretical Chemistry. 2003