Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias

• Ano de defesa: 2020
• Autor(a) principal: Duarte, Mateus Ânderson Barreto
• Orientador(a): Vale, Marcelo Roberto Bastos Guerra
• Banca de defesa: Casillo, Leonardo Augusto , Martins, Rodrigo Siqueira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal Rural do Semi-Árido
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Centro de Engenharias - CE
• País: Brasil
• Palavras-chave em Português: Detecção e isolamento de falhas; Identificação de sistemas; MLP; NNARX; Redes neurais artificiais; Fault detection and isolation; Systems identification; Artificial neural networks
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.ufersa.edu.br/handle/prefix/7022

A crescente demanda por eficiência econômica e ambiental, no setor industrial, associada à busca por desempenho, qualidade, confiabilidade e segurança dos processos têm tornado os sistemas de detecção e diagnóstico de falhas cada vez mais importantes. Aliado a isso, quando as falhas são detectadas e diagnosticadas antecipadamente é possível evitar a progressão de eventos anormais e, consequentemente, reduzir a perda de produtividade. Nesse contexto, é evidenciada a importância da existência de um sistema capaz de detectar e diagnosticar tais falhas de forma eficiente. Por isso, o presente trabalho tem como objetivo desenvolver um sistema de Detecção e Isolamento de Falhas (DIF), composto por estruturas que fazem uso de Redes Neurais Artificiais (RNAs), treinadas em modo offline por um software matemático. Um estudo de caso é desenvolvido a partir do modelo matemático de um sistema de tanques acoplados da Quanser®. A metodologia se divide em duas etapas principais, a primeira corresponde a identificação do sistema, que é feita por redes neurais autorregressivas com entradas exógenas (NNARX – do inglês Neural Network AutoRegressive with eXogenous input), já a segunda diz respeito ao desenvolvimento de um classificador de falhas baseado em valores residuais, para essa etapa utilizou-se de uma rede neural Perceptron de Múltiplas Camadas (MLP – do inglês MultiLayer Perceptron), em ambas etapas as redes neurais foram treinadas com algoritmo backpropagation. Dessa forma, foi desenvolvido o sistema de DIF para atuar, através de simulações, na detecção e isolamento de treze falhas (estruturais, em sensores e atuador). Ademais, os resultados obtidos durante as simulações se mostraram satisfatórios para falhas testadas, uma vez que o classificador conseguiu classificar todas as falhas simuladas. As três RNAs (RNA 1, RNA 2 e RNA 3) implementadas neste trabalho, apresentaram índice de desempenho Erro Quadrático Médio (EQM) satisfatório