GPU-Based Embedded Monitoring for Fault Detection and Diagnosis in Time-Varying Nonlinear Systems - a Wind Turbine Case Study

Abstract

O monitoramento de sistemas não lineares e variantes no tempo visando detectar e diagnosticar falhas não é uma tarefa trivial, sobretudo quando aplicado a sistemas embarcados e suas restrições. Apesar dos desafios, o desenvolvimento e popularização de tecnologias como Internet of Things (IoT), ferramentas de aprendizagem de máquina e o paradigma de computação na borda (Edge Computing), tem aumentado o interesse no tema. No entanto, ainda são poucos os trabalhos inseridos nesse cenário, havendo um espaço a ser preenchido no que tange a soluções que sejam viáveis de serem embarcadas. Neste sentido, o presente trabalho propõe contribuições baseadas em GPUs no intuito de contribuir para o preenchimento desta lacuna na literatura. Primeiramente é proposto uma estratégia aplicadas a sistemas embarcados baseados em GPUs para identificação de sistemas não lineares e caixa-preta.Mais precisamente, foi desenvolvido uma estratégia de paralelização do algoritmo Forward Regression Orthogonal Least Squares (FROLS) para seleção de modelos autoregressivos parcimoniosos, lineares e não lineares. Em seguida são apresentadas soluções para detecção e classificação de falhas, ambas mapeadas em GPUs e baseadas na análise dos parâmetros do modelo identificado, implementadas com ferramentas de gráficos de controle (control chart) e máquinas de vetores de suporte (SVM), respectivamente. Por fim, as soluções supracitadas foram reunidas, juntamente com a estratégia de estimação recursiva dos parâmetros do modelo dentro de uma janela móvel (SWRLS), a fim de se estabelecer um algoritmo de monitoramento para detecção e diagnóstico de falhas (SWRLS_SVM_FROLS). As soluções se mostraram viáveis quando validadas com dados reais de uma pá de turbina eólica submetida a variação de temperatura e a falhas decorrentes do acúmulo de gelo e formação de trincas em diferentes escalas, apresentando a detecção e classificação correta das falhas, bem como ganhos computacionais e economia de energia, podendo chegar a 24.5x e 22x, respectivamente, para o caso de identificação/reidentificação do sistema. Vale ressaltar que este estudo de caso é atual e relevante, combinando as características de um sistema não linear variável no tempo, devido a falhas e fatores ambientais, e atuando no paradigma de computação na borda, essenciais especialmente para instalações offshore. Nesse sentido, o estudo de caso escolhido explora a solução proposta em sua totalidade, mostrando a viabilidade de um monitoramento embarcado baseado em GPU para detecção e diagnóstico de falhas em sistemas não lineares variantes no tempo.