Classificador de qualidade de álcool combustível e poder calorífico de gás GLP.

• Ano de defesa: 2004
• Autor(a) principal: Hirayama, Vitor
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: artificial neural networks; combustíveis gasosos (classificação); componentes principais (análise); Fuzzy; gas combustible (classification); pattern recognition; principal component (analysis); reconhecimento de padrões; redes neurais
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3140/tde-27022005-164712/

Este trabalho apresenta os resultados obtidos com o desenvolvimento de um sistema robusto como uma alternativa de reconhecimento da qualidade de vapor de álcool combustível e do poder calorífico do gás combustível GLP em um nariz eletrônico. Foram implementadas duas metodologias experimentais para a extração de atributos dos padrões de vapor de álcool combustível e de gás GLP. Na primeira abordagem de tratamento dos dados, foram usados um Sistema de Inferência Fuzzy (FIS), e dois algoritmos de treinamento de Redes Neurais Artificiais (RNA) para reconhecer padrões de vapor de álcool combustível: a Backpropagation e Learning Vector Quantization. A segunda abordagem para o tratamento dos dados foi desenvolver um sistema reconhecedor do poder calorífico do gás GLP robusto à perda aleatória de um dos sensores. Foram usados três sistemas. No primeiro foi implementada uma RNA para reconhecer todos os dados que simulavam a falha de um sensor aleatório. O resultado desse sistema foi de 97% de acertos. O segundo implementou sete RNA’s treinadas com subconjuntos dos dados de entrada, tais que seis RNA’s foram treinadas com um sensor diferente com falha; e a sétima RNA foi treinada com dados dos sensores sem falhas. O resultado desse sistema foi de 99% de acertos. O terceiro implementou uma Máquina de Comitê Estática Ensemble constituída de dez RNA’s em paralelo para resolver o problema. O resultado foi de 97% de acertos. As RNA’s tiveram melhores respostas que os FIS. Foram sugeridas algumas formas de implementação em hardware do sistema reconhecedor em sistemas pré-fabricados com DSP’s e micro-controladores.