1) O documento descreve uma arquitetura multiagente aplicada a redes industriais Foundation Fieldbus para alocação dinâmica de estratégias de controle inteligente em blocos funcionais padrão. 2) A arquitetura propõe o uso de agentes com aprendizado de máquina para detectar e resolver problemas (falhas) nas redes industriais de forma autônoma e adaptativa. 3) A arquitetura é demonstrada através de simulações e implementações reais em dispositivos de campo Foundation Fieldbus.

1. Uma Arquitetura MultiAgente aplicada a Redes Industriais Foundation FieldBus para Alocação Dinâmica de Estratégias de Controle Inteligente em Blocos Funcionais Padrão Vinicius Ponte Machado Orientador: Prof. Dr. Adrião Duarte Dória Neto Co-Orientador: Prof. Dr. Jorge Dantas de Melo Laboratório de Sistemas Inteligentes - LSI Programa de Pós-Graduação em Engenharia Elétrica e de Computação - PPgEEC Departamento de Computação e Automação - DCA Universidade Federal do Rio Grande do Norte - UFRN

2. Contextualização Introdução Interpretação de Alarmes Tarefas de Monitoramento Gerenciamento de Rede Alocação de Dispositivos Configuração de Estratégias de Controle Agente de Observação Organização da Rede Agente de Diagnóstico Medição e Controle Agente de Execução

3. Problema Atividades controladas pelas redes industriais requerem funcionamento contínuo e tolerante a falha. Qualquer parada na planta pode acarretar uma parada na produção (perdas financeiras) ou acidentes. Em casos específicos, como por exemplo a mudança na configuração dos dispositivos da rede, a parada do sistema é obrigatória. Algumas situações de falha requerem a intervenção do usuário (supervisor) para que seja contornada. Ausência de uma plataforma dedicada que permita a integração automática de diferentes sensores num ambiente de rede industrial, bem como a implementação de novas funções baseadas no processamento inteligente da informação. Introdução

4. Problema Baseado nestas questões o problema a ser resolvido é como detectar e reparar falhas que ocorram na planta mudando as configurações dos dispositivos de forma dinâmica. No contexto desse problema podemos perceber três fatores que podem definir a sua solução Autonomia Aprendizagem Adaptação Introdução

5. Hipóteses Hipótese central: o uso de agentes utilizando aprendizagem de máquina faz com que estes agentes aprendam o funcionamento da rede industrial interferindo autonomamente na detecção e resolução de problemas (falhas). Hipóteses Secundárias: O uso de agentes confere autonomia (1) as redes industriais. O uso de aprendizagem de máquina (2) ajuda aos agentes descobrir padrões de falha e possíveis soluções. A proposição de uma estratégia de alocação dinâmica (3) permite que os agentes sejam alocados nas redes para descobrir e reparar as falhas. Introdução Autonomia Aprendizagem Adaptação

6. Objetivos Criar uma arquitetura multiagente que permita incorporar nas redes industriais estratégias de controle inteligente nos dispositivos de campo; Viabilizar uma melhoria no suporte a decisão em ocorrências no nível de planta e permitir um funcionamento mais ainda independente de intervenção humana; Através de algoritmos de aprendizagem, antever situações (predição) que possam ocorrer de forma a melhorar a performance do sistema e Aliar a aprendizagem de máquina ao contexto industrial, permitindo que a arquitetura de agentes proposta possa se tornar adaptável a um contexto de produção desconhecido ou inesperado. Introdução

7. Agente Agente Autônomo Paradigma para o desenvolvimento de aplicações de software. Entidade computacional com um comportamento autônomo que lhe permite decidir suas próprias ações. Definições É uma entidade que percebe o ambiente através de sensores e age neste ambiente através de atuadores, tomando decisões que irão auxiliar a alcançar seu objetivo [Russell & Norvig 2003]. É um sistema de computador, situado em algum ambiente, que é capaz de flexibilizarações autônomas a fim de encontrar seus objetivos de desenvolvimento [Woolridge, 2002]. Agente autônomo é o que consegue operar com completa autonomia, decidir por si só como relacionar os dados obtidos com ações de modo que seus objetivos sejam atingidos com sucesso[Maes 1995] . Fundamentação Teórica Adaptação Autonomia Adaptação Autonomia Autonomia Aprendizagem

8. Ambientes Industriais Automação e Controle Visa a realização de pesquisa e desenvolvimento em modelagem e controle de sistemas dinâmicos, processamento de sinais e instrumentação, Utilizando-se para isso de elementos sensores, elementos atuadores, sistemas de controle, Sistemas de Supervisão e Aquisição de Dados. Incluem-se as aplicações em sistemas dinâmicos e discretos, acionamento de máquinas, medição e aplicações com sistemas embarcados com utilização de microcontroladores e microeletrônica Fundamentação Teórica

9. Barramentos Industriais Protocolos de Controle CAN Profibus FoundationFieldBus FoundationFieldBus - Justificativa Padronização dos Dispositivos Padronização da Aplicação (Blocos Funcionais) Os dispositivos FF são capazes de executar seus próprios algoritmos de controle Fundamentação Teórica

10. FoundationFieldbus Modelo de Comunicação em Camadas Camada Física Barramento H1 Barramento HSE Camada de Comunicação LAS (Link ActiveScheduler) DD (DeviceDescriptors) Camada de Aplicação Blocos Funcionais Blocos Funcionais Os blocos funcionais descrevem as funcionalidades do dispositivo e definem como elas podem ser acessadas. Cada bloco pode conter algoritmos que manipulam suas próprias entradas e saídas. Fundamentação Teórica

11. Blocos Funcionais Estratégias de configuração são incorporadas aos dispositivos usando blocos funcionais Estes blocos contém funções básicas de funcionamento que, quando combinadas, são capazes de implementar algoritmos mais complexos como redes neurais O protocolo FoundationFieldbus é capaz de distribuir o controle do processo através dos dispositivos de campo. Sensores e atuadores possuem processadores que podem executar algoritmos de uma maneira distribuída através dos blocos funcionais. Fundamentação Teórica

12. Redes Neurais Artificiais Uma rede neural artificial é composta por várias unidades de processamento simples. Essas unidades geralmente são conectadas por canais de comunicação que estão associados a determinado peso O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede. O conhecimento é armazenado na rede em forma de pesos sinápticos, que são as forças de conexão entre os neurônios. O processo de aprendizagem consiste no ajuste dos pesos sinápticos durante o aprendizado da rede, até que uma meta previamente definida seja alcançada. Fundamentação Teórica

13. Neurônio Artificial Fundamentação Teórica Sinais são apresentados à entrada: X1,X2, ...,Xp Cada sinal é multiplicado por um número ou peso (w1,w2, ...,wp), que indica a sua influência na saída da unidade. É feita a soma ponderada dos sinais que produz um nível de atividade: Se este nível de atividade exceder um certo limite (dado pela função de ativação) é produzida uma saída (y).

14. Agentes & Redes Industriais Trabalhos Relacionados Estudo sobre a viabilidade de implementação de agentes em ambiente industrial [Wagner 2002] Estatísticas de uso de dispositivos em ambientes industriais [Landaburu et al. 2002] Camada baseada em agentes para acesso a informações sobre os processos. (Ontologias) [Pirttiojaet al. 2005] e (Web-Semântica) [Jussila 2006] Agentes de Fábrica (PlantAgents). Monitora e controla um único item na planta. [Buse & Wu 2007] Monitoramento e Diagnóstico de processos usando agentes e mapas auto-organizáveis [Frey 2009] Detecção e recuperação de falhas usando agente em ambientes fieldbus. [Stefano & Santoro 2009]

15. Agentes & Redes Neurais Trabalhos Relacionados Agentes para reconhecimento de padrões utilizando redes neurais como parte de um sistema de navegação [Cunha 1997] Modelo e agentes para detecção de invasão em redes de computadores. Utiliza redes neurais para categorizar os comportamentos dos usuários [Shelestovet al. 2003] Agentes móveis que "combinam "conhecimento adquirido através de redes Neurais [Badawy & Almotwaly 2004] Agentes Baseados em Redes Neurais para predição de estoques [Xu & Shao 2008]

16. Redes Neurais & Redes Industriais Trabalhos Relacionados Implementação em Ambiente FoundationFieldbus de Filtragem Estocástica [Costa 2005] Auto-Compensação e Auto-Calibração [Cagni 2005] Redes neurais artificiais no ambiente de redes industriais Foundation Fieldbususandoblocosfuncionais Padrões [Silva et al. 2006] Predição usando Redes Neurais [Medeiros 2009]

17. Arquitetura MultiAgente Arquitetura Proposta Esta Arquitetura é composta de um sistema multiagente que realiza rotinas de inspeção nos dados coletados nos sensores da planta. Cada agente ou grupo de agentes desta arquitetura é responsável por executar atividades como monitoramento, inspeção e comunicação. O objetivo é fazer com que os agentes analisem dados dos dispositivos, investigando inconsistências que podem impedir o processo produtivo, tais como: perda de precisão, ruídos externos e interpretação de alarmes. As configurações dos dispositivos de campo (configuração de blocos funcionais) mudam para alocar os agentes que podem resolver tais problemas.

18. Problema da Realocação de Blocos Funcionais Arquitetura Proposta

19. Anatomia do Agente Arquitetura Proposta Cadaagente é composto de duaspartes: Camada LabView-FIPA/FieldBus – permite a comunicação entre o sistema supervisório os dispositivos. Esta parte é responsável em colher informações do processo e em realizar o aprendizado dos agentes. Redes Neurais implementadas usando blocos funcionais padrão responsável por realizar ações no barramento de campo. A alocação e realocação dos agentes nos dispositivos de campo são realizadas através de mudanças nas interconexões dos blocos funcionais.

20. Agentes Agentes de Observação (AO) Estes agentes tem como objetivo descobrir anomalias nos valores medidos pelos sensores ou na precisão dos atuadores Agentes de Diagnóstico (AD) Os ADs determinam o tipo de problema que foi detectado pelo AO indicando a melhor solução (configuração de blocos funcionais) para a resolução do problema Agentes de Execução (EA) Tão logo o problema seja detectado e diagnosticado os Agentes de Execução são alocados no blocos funcionais dos dispositivos, através de mudanças em suas interconexões, formando uma configuração que possibilite reparar o problema detectado. Arquitetura Proposta

21. Abordagem FieldBus – Execução Arquitetura Proposta Processo a ser controlado

22. Agente de Observação Abordagem FieldBus – Execução Arquitetura Proposta Fase de Aprendizagem Treinamento

23. Abordagem FieldBus – Execução Arquitetura Proposta Fase de Execução Agente de Diagnóstico Agente de Observação

24. Abordagem FieldBus – Execução Arquitetura Proposta Fase de Execução Agente de Execução

29. Realiza as funções de treinamento dos Agentes

30. aNetKa

31. Monitora a ação dos Agentes

33. Treinamento dos Agentes

34. Agentes de Observação e Diagnóstico Demonstração & Resultados

35. Agente de Diagnóstico Demonstração & Resultados

36. Agente de Execução – Erro de Leitura Demonstração & Resultados

37. Agente de Execução – Ruído no Sinalde Medição Demonstração & Resultados

38. Agente de Execução – Ruído no Sinalde Medição Demonstração & Resultados Baseado no Trabalho de Costa (2006) Rede Neural Sensor 1 Sensor 1

39. Agente de Execução – Ruído no Sinalde Medição Demonstração & Resultados

40. Agente de Execução – Ruído no Sinalde Medição Demonstração & Resultados

41. Agente de Execução – Auto-Calibração Demonstração & Resultados Baseado no Trabalho de Pereira (2006)

42. Agente de Execução – Auto-Calibração Demonstração & Resultados

43. Agente de Execução – Auto-Calibração Demonstração & Resultados

44. Agentes de Execução – Tempo de Resposta Demonstração & Resultados

45. Vídeos Demonstração & Resultados Ruído Erro de Leitura Descalibração

46. Contribuições Científicas Uma especificação de um sistema multiagente para a implementação de estratégia de controle em blocos funcionais neste caso têm-se a definição de tarefas de cada agente, comunicação, desempenho, limitações, bem como referências a futuras expansões da capacidade dos agentes e seus impactos na rede industrial. Utilização de algoritmos de aprendizagem para predição e correção de falhas. Proposição de uma estratégia para alocação dinâmica de blocos funcionais. Conclusões

47. Conclusões Diferente de outros trabalhos que envolvem agentes e redes industriais mostramos uma implementação de configuração de controle no nível de planta Agregamos aprendizagem de máquina através de Redes Neurais Artificiais e Agentes A implementação apresentada encaixa-se em uma característica básica dos agentes: a adaptação A alocação de blocos funcionais mudará para adaptar-se a um determinado tipo de problema, sem a intervenção do usuário Antever situações que podem ocasionar falhas no processo produtivo Conclusões

48. Artigos Publicados & Projetos Aceitos DHMS 2008 – IEEE InternationalConferenceonDistributedHuman-Machine Systems A Simulated Environment for a MultiAgent Architecture Based on a Foundation Fieldbus Network Function Blocks Idéia preliminar do uso de agente em ambientes industriais Edital Universal CNPQ 2007-3 Arquitetura MultiAgente Baseada em Blocos Funcionais de Redes Industriais Foundation FieldBus INDIN 2008 – 6th IEEE International Conference on Industrial Informatics MultiAgentarchitecture for functionblocks: Intelligentconfigurationstrategiesallocation Especificação detalhada da Arquitetura – apresentação de exemplo ETFA 2008 – 13th IEEE International Conference on Emerging Technologies and Factory Automation A Neural Network MultiAgent Architecture Applied to Fieldbus Intelligent Control Primeiros resultados apresentados – uso da abordagem manual Publicações

49. Artigos Publicados & Projetos Aceitos CBA 2008 – XVII Congresso Brasileiro de Automática DynamicFuntionBlocksAllocation: A Multiagent Approach Foco na mudança das interconexões dos blocos funcionais Apresentação de outros resultados FactoryAutomation A Multiagent Architecture Based in a Foundation Fieldbus Network Function Blocks Capítulo de Livro Aplicação do modelo de agentes no FBSIMU IEEE Transactionson Industrial Electronics (2010) A Neural Network MultiAgent Architecture Applied to Industrial Networks for Dynamic Allocation of Control Strategies using Standard Function Blocks Aplicação no modelo de tanques reais Publicações