Uso de teste baseado em aprendizagem para a validação de programas de clp na indústria de petróleo e gás natural

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.A exploração de Petróleo e Gás Natural é uma atividade complexa e de alto risco. Por este motivo a segurança nesta indústria é organizada em camadas de proteção independentes e regidas por normas. Dentre estas camadas estão os Sistemas Instrumentados de Segurança (SIS), a última alternativa para a extinção de acidentes. Esse sistema automático, composto por um Controlador Lógico Programável (CLP), sensores e atuadores deve ser testado a fim de identificar falhas em sua lógica de atuação. Esta dissertação apresenta um método automático para teste de conformidade baseado em especificação utilizando princípios de aprendizagem computacional. Os casos de teste são gerados e testados no CLP iterativamente. O comportamento do CLP frente aos testes é modelado iterativamente por um algoritmo de aprendizado. A partir das especificações de segurança descritas na forma de Matriz de Causa e Efeito, são extraídas fórmulas de lógica proposicional. Estas fórmulas são verificadas no modelo por um algoritmo de model checking. Eventualmente, contraexemplos podem ser encontrados, que representam inconformidades apenas do modelo ou também da lógica implementada no CLP. Os contraexemplos são executados como testes e um processo decisório, chamado de oráculo, compara a saída do CLP com o modelo, fornecendo o veredicto a respeito da inconformidade. O algoritmo encerra sua execução ao encontrar uma falha no sistema ou por critério de parada. Essa técnica é aplicada a um modelo simplificado. A técnica proposta identificou a inconformidade contida no modelo simplificado, inconformidade esta não detectada através da execução do conjunto de testes gerados por um método tradicional.Abstract: The exploration of Oil and Natural Gas is a complex and high risk activity. For this reason, security in this industry is organized into independent layers of protection and are governed by standards. Among these layers are the Safety Instrumented Systems (SIS), the last alternative for the extinction of accidents. This automatic system, composed of a Programmable Logic Controller (PLC), sensors and actuators must be tested in order to identify flaws in the operating logic. This dissertation presents an automatic method for conformity testing based on specification using computational learning principles. Test cases are generated and tested on the PLC iteratively. The behavior of the PLC in relation to the tests is modeled iteratively by a learning algorithm. From the security specifications described in the form of Cause and Effect Matrix, formulas of propositional logic are extracted. These formulas are verified in the model by a model checking algorithm. Eventually, counterexamples can be found, which represent nonconformities only in the model or also in the logic implemented in the PLC. Counterexamples are performed as tests and a decision-making process, called an oracle, compares the output of the PLC with the model, providing the verdict regarding the nonconformity. The algorithm ends its execution when it finds a fault in the system or due to stopping criteria. This technique is applied to a simplified model. The proposed technique identified the non-conformity contained in the simplified model, which was not detected through the execution of the set of tests generated by a traditional method