Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Moraes, Davi Almeida
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
artificial intelligence
digital twin
experimental plants
GMDH
inteligência artificial
neural networks
planta experimental
redes neurais
Link de acesso: https://www.teses.usp.br/teses/disponiveis/85/85133/tde-03022020-110813/
Resumo: Neste trabalho foi desenvolvida uma planta experimental inspirada em um reator nuclear de potência do tipo PWR e posterior aplicação de Inteligência Artificial na Monitoração e Diagnóstico de Falhas, por meio dos métodos GMDH (Group Method of Data Handling) e RNA (Redes Neurais Artificiais). Com a planta experimental, tornou-se possível aplicar conceitos inovadores de modelagem de sistemas (Digital Twin) on line para a monitoração e diagnóstico de falhas individuais e/ou combinadas. Conclui-se que, embora ambos os sistemas de monitoração apresentaram resultados satisfatórios, o GMDH demonstrou um melhor desempenho em relação às Redes Neurais, pois além de apresentar valores de desvios médios menores do que o modelo utilizando Redes Neurais, foi possível realizar a monitoração de todas as variáveis, enquanto que utilizando Redes Neurais não foi possível monitorar as variáveis de potência do aquecedor, nível, e potência e vazões das bombas. A inserção de falhas em uma ou mais variáveis de temperatura, repercutiu na estimativa da rede para as demais variáveis, porém não impediu que o Sistema de Monitoração identificasse a falha. Para determinar o comportamento do Sistema de Monitoração com falhas múltiplas, foram aplicadas falhas simultâneas nos sensores de temperatura.
id USP_060451b67effc8d3d18771957fc2311b
oai_identifier_str oai:teses.usp.br:tde-03022020-110813
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificialExperimental plant for monitoring and fault diagnostic using artificial intelligenceartificial intelligencedigital twindigital twinexperimental plantsGMDHGMDHinteligência artificialneural networksplanta experimentalredes neuraisNeste trabalho foi desenvolvida uma planta experimental inspirada em um reator nuclear de potência do tipo PWR e posterior aplicação de Inteligência Artificial na Monitoração e Diagnóstico de Falhas, por meio dos métodos GMDH (Group Method of Data Handling) e RNA (Redes Neurais Artificiais). Com a planta experimental, tornou-se possível aplicar conceitos inovadores de modelagem de sistemas (Digital Twin) on line para a monitoração e diagnóstico de falhas individuais e/ou combinadas. Conclui-se que, embora ambos os sistemas de monitoração apresentaram resultados satisfatórios, o GMDH demonstrou um melhor desempenho em relação às Redes Neurais, pois além de apresentar valores de desvios médios menores do que o modelo utilizando Redes Neurais, foi possível realizar a monitoração de todas as variáveis, enquanto que utilizando Redes Neurais não foi possível monitorar as variáveis de potência do aquecedor, nível, e potência e vazões das bombas. A inserção de falhas em uma ou mais variáveis de temperatura, repercutiu na estimativa da rede para as demais variáveis, porém não impediu que o Sistema de Monitoração identificasse a falha. Para determinar o comportamento do Sistema de Monitoração com falhas múltiplas, foram aplicadas falhas simultâneas nos sensores de temperatura.In this work we developed an experimental plant inspired by a PWR-type nuclear power reactor and applied later Artificial Intelligence in the Monitoring and Fault Diagnosis of Faults, through the Group Method of Data Handling (GMDH) and ANN (Artificial Neural Networks). Through the experimental plant, it became possible to apply innovative concepts of on-line system modeling (Digital Twin) for monitoring and diagnosing individual and / or combined faults. It is concluded that although both monitoring systems presented satisfactory results, GMDH showed a better performance compared to Neural Networks, because besides presenting smaller average deviation values than the model using Neural Networks, it was possible to perform the monitoring of all variables, while using Neural Networks, it was not possible to monitor the variables of heater power, level, and pump power and flow rates. The insertion of faults in one or more temperature variables interfered in the network estimation for the other variables, but did not prevent the Monitoring System from identifying the fault. To determine the behavior of the multiple fault monitoring system, simultaneous faults were applied to temperature sensors.Biblioteca Digitais de Teses e Dissertações da USPGonçalves, Iraci Martinez PereiraMoraes, Davi Almeida2019-11-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/85/85133/tde-03022020-110813/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2020-02-07T17:12:02Zoai:teses.usp.br:tde-03022020-110813Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-02-07T17:12:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
Experimental plant for monitoring and fault diagnostic using artificial intelligence
title Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
spellingShingle Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
Moraes, Davi Almeida
artificial intelligence
digital twin
digital twin
experimental plants
GMDH
GMDH
inteligência artificial
neural networks
planta experimental
redes neurais
title_short Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
title_full Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
title_fullStr Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
title_full_unstemmed Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
title_sort Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial
author Moraes, Davi Almeida
author_facet Moraes, Davi Almeida
author_role author
dc.contributor.none.fl_str_mv Gonçalves, Iraci Martinez Pereira
dc.contributor.author.fl_str_mv Moraes, Davi Almeida
dc.subject.por.fl_str_mv artificial intelligence
digital twin
digital twin
experimental plants
GMDH
GMDH
inteligência artificial
neural networks
planta experimental
redes neurais
topic artificial intelligence
digital twin
digital twin
experimental plants
GMDH
GMDH
inteligência artificial
neural networks
planta experimental
redes neurais
description Neste trabalho foi desenvolvida uma planta experimental inspirada em um reator nuclear de potência do tipo PWR e posterior aplicação de Inteligência Artificial na Monitoração e Diagnóstico de Falhas, por meio dos métodos GMDH (Group Method of Data Handling) e RNA (Redes Neurais Artificiais). Com a planta experimental, tornou-se possível aplicar conceitos inovadores de modelagem de sistemas (Digital Twin) on line para a monitoração e diagnóstico de falhas individuais e/ou combinadas. Conclui-se que, embora ambos os sistemas de monitoração apresentaram resultados satisfatórios, o GMDH demonstrou um melhor desempenho em relação às Redes Neurais, pois além de apresentar valores de desvios médios menores do que o modelo utilizando Redes Neurais, foi possível realizar a monitoração de todas as variáveis, enquanto que utilizando Redes Neurais não foi possível monitorar as variáveis de potência do aquecedor, nível, e potência e vazões das bombas. A inserção de falhas em uma ou mais variáveis de temperatura, repercutiu na estimativa da rede para as demais variáveis, porém não impediu que o Sistema de Monitoração identificasse a falha. Para determinar o comportamento do Sistema de Monitoração com falhas múltiplas, foram aplicadas falhas simultâneas nos sensores de temperatura.
publishDate 2019
dc.date.none.fl_str_mv 2019-11-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/85/85133/tde-03022020-110813/
url https://www.teses.usp.br/teses/disponiveis/85/85133/tde-03022020-110813/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257827199942656

Registros relacionados