Análise de correlação e causalidade entre dados de sensores aplicada a alarmes industriais

Abstract

A busca por metodologias computacionais automáticas que detectem a interação entre elementos dentro de um processo é comum em vários campos da ciência. O objetivo deste trabalho é investigar métodos automáticos que ajudem a analisar dados de sistema de alarmes, buscando a causa raiz da ativação de alarmes pela análise de correlação e causalidade entre dados de sensores. Os resultados das análises são exibidos em forma de gráficos de rede, permitindo o fácil entendimento das relações entre os dados dos sensores. As análises foram feitas utilizando-se dados de duas simulações computacionais de processos distintos. Para o cálculo da correlação foi utilizado o coeficiente de correlação de Pearson, calculado entre janelas de tempo de forma a capturar detalhadamente a progressão do relacionamento entre as séries. Este coeficiente também foi calculado levando em conta possíveis defasagens entre as séries, assim, o resultado do cálculo da correlação entre um par de séries é uma matriz que contêm a informação da progressão da correlação para diversas defasagens, tornando simples o processo de busca automática por zonas de alta correlação. A causalidade entre as séries foi obtida pelo teste de causalidade de Granger, porém, os resultados indicam que este método não é satisfatório quando utilizado para os dados de sensores das simulações deste estudo, visto que várias das correlações positivas encontradas estavam incorretas. O método do cálculo da correlação entre séries em janelas de tempo e levando em conta a defasagem mostrou-se útil e resiliente, apresentando-se como um bom candidato para ser utilizado em análises similares com dados de sensores reais.

The search for automatic computational methodologies that can detect interaction between components within a process is common in several fields of science. The objective of this study is to investigate automatic methods that will serve as help for analyzing alarm system data, looking for the root cause of alarm activation through correlation and causality analysis between sensor data. The final results are displayed in the form of network graphs, allowing for an easy understanding of the relationship between the data. The analyzes were made using data from two computer simulations of different processes. Pearson’s correlation coefficient was used to calculate the correlation between time series and, in order to capture in detail the evolution of the relationship of the variables during the process, the calculations were done in windows of time. To also take into account possible lags in the effects of both series, the correlation coefficient was also calculated shifting one series in time for multiple times, thus, the output of this method is a matrix that contains the correlation progression in one axis and the lagged correlation in the other, making it simple to automatically analyze it when looking for high correlation zones. The causality between time series was obtained by the Granger causality test, however, the results indicate that this method is not satisfactory when applied for the simulated sensor data of this study, since several of the positive correlations found were incorrect. The method of calculating the correlation between series in time windows and taking into account the lag proved to be useful and resilient, presenting itself as a good candidate to be used in similar analyzes with data from real sensors.