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