Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract: The main drawback of identification of Discrete Event Systems with aim of fault detection is
that if the system is composed of several subsystems with concurrent behavior, it may be necessary to
record a huge amount of data to obtain the monolithic model with a view to guaranteeing that a large
part of the possible fault-free system behavior has been observed. In these cases, we can use a distributed
identification technique, where models for the fault-free behavior of the subsystems are obtained, and
then these models are run in parallel for fault detection. In this work, we present a method for identifying
concurrent subsystems based only on the observation of the input and output controller signals. A virtual
plant, simulated using a 3D simulation software and controlled by a programmable logic controller, is
used to illustrate the proposed method and to compare the efficiencies of the fault detection methods
using the subsystem models and the monolithic model.
Resumo: A principal desvantagem da identificação de Sistemas de Eventos Discretos com o objetivo
de detecção de falhas é que se o sistema for composto por vários subsistemas com comportamento
concorrente, pode ser necessário registrar uma grande quantidade de dados para obter o modelo
monolítico com o objetivo de garantir que uma grande parte do possível comportamento do sistema livre
de falhas foi observada. Nesses casos, podemos utilizar uma técnica de identificação distribuída, em
que são obtidos modelos para o comportamento livre de falhas dos subsistemas, e então esses modelos
são executados em paralelo para detecção de falhas. Neste trabalho, apresentamos um método para
identificação de subsistemas concorrentes baseado apenas na observação dos sinais de entrada e saída
do controlador. Uma planta virtual, simulada usando um software de simulação 3D e controlada por um
controlador lógico programável, é usado para ilustrar o método proposto e comparar as eficiências dos
métodos de detecção de falhas usando os modelos de subsistema e o modelo monolítico.
Keywords: Subsystem identification; Fault detection; Discrete-event systems; Finite state automata,
Black-box identification.
Palavras-chaves: Identificação de subsistemas; Detecção de falha; Sistemas a eventos discretos;
Autômatos de estado finito, Identificação caixa-preta.
FC P1
P2
Figura 3. Grafo G .
Actuator Sensors
P1 k3 , k5 , k6 , k8
P2 k4 , k6 , k7 , k8
Feeder Conveyor k 1 , k6 , k8 (a)
Distribution Conveyor k3 , k4 , k6 , k8
Sensor Actuators
k1 FC
k2 FC, DC
k3 FC, DC
k4 DC
k5 P1 , FC
k6
k7 P2
k8
(b)
as curvas da Figura 4, que representam o número de estados
(Figura 4(a) ) e transições (Figura 4(b)) que são criadas nos Figura 4. Número de estados (a) e transições (b) dos modelos
modelos NDAAO após usar uma porcentagem dos dados cole- NDAAO para k = 1: monolítico (); subsistema 1 (◦); e
tados completos. Como pode ser visto na Figura 4, os estados e subsistema 2 (×).
transições do modelo monolítico atingem seus valores máximos
usando aproximadamente 80% do total de dados coletados, reduzir significativamente a eficiência do esquema de detecção
enquanto ambos os modelos de subsistema atingem seu número de falhas em comparação com o caso monolítico.
máximo de estados e transições com aproximadamente 40% do
6. CONCLUSÕES
total de dados coletados. Isso mostra que o tamanho dos dados
coletados necessários para obter os subsistemas é muito menor
do que o tamanho dos dados necessários para obter o modelo Neste trabalho foi apresentado um método para identificar auto-
monolítico. maticamente os subsistemas concorrentes de um sistema, base-
ado apenas nas observações dos sinais binários do controlador.
Para comparar a eficiência da detecção de falhas usando os O método foi aplicado a uma planta virtual controlada por um
modelos de subsistema com a eficiência da detecção de falhas CLP, e foi mostrado que os subsistemas podem ser computados
usando o modelo monolítico, simulamos 24 cenários de falhas, usando muito menos observações do que o modelo monolítico.
considerando falhas em todos os dispositivos do sistema, mas Além disso, mostra-se que a eficiência do esquema de detecção
apenas uma falha por vez. No caso monolítico, verifica-se se o de falhas não é significativamente reduzida em relação à efici-
vetor de I/O observado u é igual a uma das saídas dos estados ência do esquema de detecção de falhas usando o modelo mo-
de fnd (xc ), em que xc é o estado atual do modelo. Se houver um nolítico. Assim, há uma grande vantagem em utilizar a técnica
estado x ∈ fnd (xc ) tal que λ(x) = u, então o estado do modelo é de identificação distribuída proposta neste trabalho para detec-
atualizado para x. Caso contrário, a falha é detectada. A mesma ção de falhas de sistemas com comportamento concorrente.
estratégia de detecção de falhas é aplicada para os modelos
de subsistema NDAAO. Neste caso, para cada subsistema, são REFERÊNCIAS
consideradas apenas as entradas e saídas de u pertencentes a
ISy , para y = 1, . . . , ρ. Se pelo menos um dos detectores de falha Basile, F., Chiacchio, P., and Coppola, J. (2016). Faulty
ρ identificar a ocorrência da falha, a falha será detectada. model identification in deterministic labeled time Petri
nets. International Workshop on Discrete Event Systems
Usando o modelo monolítico, 17 das 24 falhas foram detecta- (WODES), 13, 486–492.
das, enquanto que usando os modelos de subsistema, 14 das Bondy, J.A. and Murty, U.S.R. (1976). Graph theory with
falhas foram detectadas, isto é, apenas 3 falhas que são detec- applications. Elsevier, New York, 1st edition.
tadas usando o modelo monolítico não podem ser detectadas Cabasino, M.P., Giua, A., Hadjicostis, C.N., and Seatzu, C.
usando os modelos de subsistema. Isso mostra que os modelos (2015). Fault model identification and synthesis in Petri
de subsistemas podem ser usados para detecção de falhas sem nets. Discrete Event Dynamic Systems, 25(3), 419–440.
Cabral, F.G. and Moreira, M.V. (2019). Synchronous diagnosis nets with unobservable transitions. IEEE Transactions on
of discrete-event systems. IEEE Transactions on Automa- Systems, Man, and Cybernetics: Systems, 49, 333–345.
tion Science and Engineering, 17(2), 921–932.
Cassandras, C.G. and Lafortune, S. (2008). Introduction to
Discrete Event Systems. Springer, New York, 2nd edition.
Cormen, T.H. and Leiserson, C.E. (2009). Introduction to
Algorithms. The MIT Press, Cambridge, 3rd edition.
de Souza, R., Moreira, M., and Lesage, J. (2020). Fault
detection of discrete-event systems based on an identified
timed model. Control Engineering Practice, 105, 104638.
Debouk, R., Lafortune, S., and Teneketzis, D. (2000). Co-
ordinated decentralized protocols for failure diagnosis of
discrete event systems. Discrete Event Dynamic Systems,
10(1), 33–86.
Dotoli, M., Fanti, M.P., Mangini, A.M., and Ukovich, W.
(2011). Identification of the unobservable behaviour of
industrial automation systems by Petri nets. Control Engi-
neering Practice, 19(9), 958–966.
Estrada-Vargas, A., López-Mellado, E., and Lesage, J. (2015).
A black-box identification method for automated discrete-
event systems. IEEE Transactions on Automation Science
and Engineering, 14(3), 1321–1336.
Klein, S., Litz, L., and Lesage, J. (2005). Fault detection of
discrete event systems using an identification approach.
IFAC Proceedings, 38(1), 92–97.
Moon, J.W. and Moser, L. (1965). On cliques in graphs. Israel
Journal of Mathematics, 3(1), 23–28.
Moreira, M., Jesus, T., and Basilio, J. (2011). Polynomial
time verification of decentralized diagnosability of dis-
crete event systems. IEEE Transactions on Automatic
Control, 56(7), 1679–1684.
Moreira, M. and Lesage, J. (2019a). Discrete event system
identification with the aim of fault detection. Discrete
Event Dynamic Systems, 29(2), 191–209.
Moreira, M. and Lesage, J. (2019b). Fault diagnosis based
on identified discrete-event models. Control Engineering
Practice, 91, 104101.
Roth, M., Lesage, J., and Litz, L. (2010). Black-box identifica-
tion of discrete event systems with optimal partitioning of
concurrent subsystems. Proceedings of the 2010 American
Control Conference, (pp. 2601-2606), Baltimore, USA,
June 30-July 2.
Saives, J., Farault, G., and Lesage, J. (2018). Automated partiti-
oning of concurrent discrete-event systems for distributed
behavioral identification. IEEE Transactions on Automa-
tion Science and Engineering, 15(2), 832–841.
Sampath, M., Sengupta, R., Lafortune, S., Sinnamohideen, K.,
and Teneketzis, D. (1995). Diagnosability of discrete-
event systems. IEEE Transactions on Automatic Control,
40(9), 1555–1575.
Viana, G.S. and Basilio, J.C. (2019). Codiagnosability of
discrete event systems revisited: A new necessary and
sufficient condition and its applications. Automatica, 101,
354–364.
Viana, G.S., Moreira, M.V., and Basilio, J.C. (2019). Codi-
agnosability analysis of discrete-event systems modeled
by weighted automata. IEEE Transactions on Automatic
Control, 64(10), 4361–4368.
Zaytoon, J. and Lafortune, S. (2013). Overview of fault
diagnosis methods for discrete event systems. Annual
Reviews in Control, 37(2), 308–320.
Zhu, G., Li, Z., Wu, N., and Al-Ahmari, A. (2019). Fault
identification of discrete event systems modeled by Petri