Detecção e diagnóstico de falhas com redes neurais sem pesos

• Ano de defesa: 2018
• Autor(a) principal: Oliveira, José Carlos
• Orientador(a): Embiruçu, Marcelo
• Banca de defesa: Fontes, Cristiano, Magalhães, Robson, Silva, Flávio, Canuto, Anne Magaly, França, Felipe, Soma, Nei
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Engenharia Industrial - PEI
• País: Brasil
• Palavras-chave em Português: Detecção e diagnóstico de falhas,; Redes neurais sem pesos.; Seleção de atributos.; Granulação de dados.; Sistemas de inferência fuzzy.
• Área do conhecimento CNPq: Engenharias III
• Link de acesso: http://repositorio.ufba.br/ri/handle/ri/26828

Sistemas de detecção e diagnóstico de falhas (FDD - Fault Detection and Diagnosis) têm sido largamente utilizados em processos industriais. A necessidade de detecção antecipada e segura de falhas em sistemas dinâmicos e reais provocou uma demanda crescente por processos de supervisão que integram os sistemas FDD. Neste contexto, o objetivo principal desta tese é abordar o problema de detecção e diagnóstico de falhas em problemas dinâmicos univariável e multivariáveis com base nas Redes Neural Sem Pesos (RNSP). As RNSP utilizam neurônios baseados em dispositivos de memórias RAM (Random Access Memories, memórias de acesso randômico ou aleatório) para o aprendizado das características intrínsecas nos dados de treinamento. Essas redes apresentam algoritmos de aprendizagem rápidos e flexíveis, precisão e consistência nos resultados, sem a necessidade de geração de resíduos e retreinamento das redes e um potencial elevado para o reconhecimento e classificação de padrões. Como resultado da pesquisa realizada, são propostos três sistemas de detecção e diagnóstico de falhas baseados no modelo neural sem pesos, conhecido como dispositivo WiSARD (Wilkie, Stonham e Aleksander’s Recognition Device, dispositivo de reconhecimento de Wilkie, Stonham e Aleksander). Os sistemas propostos contam também com as contribuições da seleção de atributos, de modelos estatísticos básicos e da lógica fuzzy para a formação dos padrões comportamentais apresentados às RSNP usadas. Para a validação dos sistemas propostos foram testados três estudos de caso. Um deles se refere a um problema real univariável com dados obtidos pelos sensores de temperatura do compressor de gás para a venda em uma Unidade de Processamento de Gás Natural (UPGN) da Petrobras, localizada no município de Pojuca na Bahia (UPGN-3-Bahia). O segundo simula uma planta industrial considerada como um benchmark na área de detecção e diagnóstico de falhas, e conhecida como Tennessee Eastman Process (TEP). O terceiro e último estudo de caso simula um reator tanque agitado continuamente (CSTR, Continuous Stirred Tank Reactor, reator tanque agitado continuamente). Os resultados apresentados comprovam a boa adaptação das RNSP para o problema de detecção e diagnóstico de falhas, com percentuais de acertos, na classificação, acima de 98%.