Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
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: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.ufersa.edu.br/handle/prefix/7022 |
Resumo: | 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 |
id |
UFER_fb8a3f7a045a62e86c8b826deb45f08f |
---|---|
oai_identifier_str |
oai:repositorio.ufersa.edu.br:prefix/7022 |
network_acronym_str |
UFER |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFERSA |
repository_id_str |
|
spelling |
Vale, Marcelo Roberto Bastos Guerrahttp://lattes.cnpq.br/5510574256894005Varella, Fabiana Karla de Oliveira Martinshttp://lattes.cnpq.br/2711699996455302Casillo, Leonardo Augustohttp://lattes.cnpq.br/0989177039598049Martins, Rodrigo Siqueirahttp://lattes.cnpq.br/0510960635068771http://lattes.cnpq.br/6244442561279350Duarte, Mateus Ânderson Barreto2022-05-16T13:37:13Z2020-02-042022-05-16T13:37:13Z2020-12-28Duarte (2020) (DUARTE, 2020)http://repositorio.ufersa.edu.br/handle/prefix/7022A 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) satisfatórioThe growing demand for economic and environmental efficiency in the industrial sector, associated with the search for performance, quality, reliability and safety of processes has made fault detection and diagnosis systems increasingly important. Besides, when faults are detected and diagnosed in advance, it is possible to prevent the progression of abnormal events and, consequently, reduce the loss of productivity. In this context, the importance of having a system capable of efficiently detecting and diagnosing such faults is highlighted. Therefore, the present study aims to develop a Fault Detection and Isolation system (FDI), composed of structures that use Artificial Neural Networks (ANNs), which are trained offline by mathematical software. A case study is developed from the mathematical model of a Quanser® coupled tank system. The methodology is divided into two main stages, the first corresponds to the identification of the system, which is made by Neural Network AutoRegressive with eXogenous input (NNARX). While the second stage concerns the development of a classifier of faults based on residual values, for this step, a Neural Network Multilayer Perceptron (MLP) was used. For both stages the neural networks were trained with a backpropagation algorithm. Thus, the DIF system was developed to act, through simulations, in the detection and isolation of thirteen faults (structural, in sensors and actuator). Furthermore, the simulation results proved to be satisfactory for tested faults, since the classifier was able to classify all simulated faults. The three ANNs (ANN 1, ANN 2 and ANN 3) implemented in this dissertation, presented a satisfactory Mean Square Error (MSE) performance indexCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESporUniversidade Federal Rural do Semi-ÁridoPrograma de Pós-graduação em Engenharia ElétricaUFERSABrasilCentro de Engenharias - CEDUARTE, Mateus Ânderson Barreto. Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias. 2020. 87 f. Dissertação (Mestrado em Engenharia Elétrica), Universidade Federal Rural do Semi-Árido, Mossoró, 2020.CC-BY-SAinfo:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICADetecção e isolamento de falhasIdentificação de sistemasMLPNNARXRedes neurais artificiaisFault detection and isolationSystems identificationMLPNNARXArtificial neural networksDetecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificiasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Biblioteca Digital de Teses e Dissertações da UFERSAinstname:Universidade Federal Rural do Semi-Árido (UFERSA)instacron:UFERSAORIGINALMateusÂBD_DISSERT.pdfMateusÂBD_DISSERT.pdfapplication/pdf3480510https://repositorio.ufersa.edu.br//bitstream/prefix/7022/1/Mateus%c3%82BD_DISSERT.pdfb22f26e14bf98e417aabcae0d625566fMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81622https://repositorio.ufersa.edu.br//bitstream/prefix/7022/2/license.txtded7bce9b6f92a97818140dd73803e03MD52TEXTMateusÂBD_DISSERT.pdf.txtMateusÂBD_DISSERT.pdf.txtExtracted texttext/plain138371https://repositorio.ufersa.edu.br//bitstream/prefix/7022/3/Mateus%c3%82BD_DISSERT.pdf.txt2882c4c9a24165f5d231aae015e2fac5MD53THUMBNAILMateusÂBD_DISSERT.pdf.jpgMateusÂBD_DISSERT.pdf.jpgGenerated Thumbnailimage/jpeg1312https://repositorio.ufersa.edu.br//bitstream/prefix/7022/4/Mateus%c3%82BD_DISSERT.pdf.jpg52f844f91ada8679705b411ce93e1e11MD54prefix/70222022-05-17 03:00:47.798oai:repositorio.ufersa.edu.br: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Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufersa.edu.br/PUBhttp://bdtd.ufersa.edu.br/oai/requestdirecaosisbi@ufersa.edu.br|| direcaosisbi@ufersa.edu.bropendoar:2022-05-17T06:00:47Biblioteca Digital de Teses e Dissertações da UFERSA - Universidade Federal Rural do Semi-Árido (UFERSA)false |
dc.title.pt_BR.fl_str_mv |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
title |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
spellingShingle |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias Duarte, Mateus Ânderson Barreto CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Detecção e isolamento de falhas Identificação de sistemas MLP NNARX Redes neurais artificiais Fault detection and isolation Systems identification MLP NNARX Artificial neural networks |
title_short |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
title_full |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
title_fullStr |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
title_full_unstemmed |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
title_sort |
Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias |
author |
Duarte, Mateus Ânderson Barreto |
author_facet |
Duarte, Mateus Ânderson Barreto |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Vale, Marcelo Roberto Bastos Guerra |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/5510574256894005 |
dc.contributor.advisor-co1.fl_str_mv |
Varella, Fabiana Karla de Oliveira Martins |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/2711699996455302 |
dc.contributor.referee1.fl_str_mv |
Casillo, Leonardo Augusto |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/0989177039598049 |
dc.contributor.referee2.fl_str_mv |
Martins, Rodrigo Siqueira |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/0510960635068771 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6244442561279350 |
dc.contributor.author.fl_str_mv |
Duarte, Mateus Ânderson Barreto |
contributor_str_mv |
Vale, Marcelo Roberto Bastos Guerra Varella, Fabiana Karla de Oliveira Martins Casillo, Leonardo Augusto Martins, Rodrigo Siqueira |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Detecção e isolamento de falhas Identificação de sistemas MLP NNARX Redes neurais artificiais Fault detection and isolation Systems identification MLP NNARX Artificial neural networks |
dc.subject.por.fl_str_mv |
Detecção e isolamento de falhas Identificação de sistemas MLP NNARX Redes neurais artificiais Fault detection and isolation Systems identification MLP NNARX Artificial neural networks |
description |
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 |
publishDate |
2020 |
dc.date.available.fl_str_mv |
2020-02-04 2022-05-16T13:37:13Z |
dc.date.issued.fl_str_mv |
2020-12-28 |
dc.date.accessioned.fl_str_mv |
2022-05-16T13:37:13Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
Duarte (2020) (DUARTE, 2020) |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufersa.edu.br/handle/prefix/7022 |
identifier_str_mv |
Duarte (2020) (DUARTE, 2020) |
url |
http://repositorio.ufersa.edu.br/handle/prefix/7022 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.references.pt_BR.fl_str_mv |
DUARTE, Mateus Ânderson Barreto. Detecção e isolamento de falhas em um sistema de tanques acoplados utilizando redes neurais artificias. 2020. 87 f. Dissertação (Mestrado em Engenharia Elétrica), Universidade Federal Rural do Semi-Árido, Mossoró, 2020. |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal Rural do Semi-Árido |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFERSA |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Centro de Engenharias - CE |
publisher.none.fl_str_mv |
Universidade Federal Rural do Semi-Árido |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFERSA instname:Universidade Federal Rural do Semi-Árido (UFERSA) instacron:UFERSA |
instname_str |
Universidade Federal Rural do Semi-Árido (UFERSA) |
instacron_str |
UFERSA |
institution |
UFERSA |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFERSA |
collection |
Biblioteca Digital de Teses e Dissertações da UFERSA |
bitstream.url.fl_str_mv |
https://repositorio.ufersa.edu.br//bitstream/prefix/7022/1/Mateus%c3%82BD_DISSERT.pdf https://repositorio.ufersa.edu.br//bitstream/prefix/7022/2/license.txt https://repositorio.ufersa.edu.br//bitstream/prefix/7022/3/Mateus%c3%82BD_DISSERT.pdf.txt https://repositorio.ufersa.edu.br//bitstream/prefix/7022/4/Mateus%c3%82BD_DISSERT.pdf.jpg |
bitstream.checksum.fl_str_mv |
b22f26e14bf98e417aabcae0d625566f ded7bce9b6f92a97818140dd73803e03 2882c4c9a24165f5d231aae015e2fac5 52f844f91ada8679705b411ce93e1e11 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFERSA - Universidade Federal Rural do Semi-Árido (UFERSA) |
repository.mail.fl_str_mv |
direcaosisbi@ufersa.edu.br|| direcaosisbi@ufersa.edu.br |
_version_ |
1757095602735284224 |