Group Method of Data Handling (GMDH) e redes neurais na monitoração e detecção de falhas em sensores de centrais nucleares

• Ano de defesa: 2011
• Autor(a) principal: Bueno, Elaine Inacio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: GMDH; input selection; monitoração e detecção de falhas; monitoring and fault detection; neural networks; redes neurais; seleção de entradas
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/85/85133/tde-02092011-140535/

A demanda crescente na complexidade, eficiência e confiabilidade nos sistemas industriais modernos têm estimulado os estudos da teoria de controle aplicada no desenvolvimento de sistemas de Monitoração e Detecção de Falhas. Neste trabalho foi desenvolvida uma metodologia inédita de Monitoração e Detecção de Falhas através do algoritmo GMDH e Redes Neurais Artificiais (RNA) que foi aplicada ao reator de pesquisas do IPEN, IEA-R1. O desenvolvimento deste trabalho foi dividido em duas etapas: sendo a primeira etapa dedicada ao pré-processamento das informações, realizada através do algoritmo GMDH; e a segunda o processamento das informações através de RNA. O algoritmo GMDH foi utilizado de duas maneiras diferentes: primeiramente, o algoritmo GMDH foi utilizado para gerar uma melhor estimativa da base de dados, tendo como resultado uma matriz denominada matriz_z, que foi utilizada no treinamento das RNA. Logo após, o GMDH foi utilizado no estudo das variáveis mais relevantes, sendo estas variáveis utilizadas no processamento das informações. Para realizar as simulações computacionais, foram propostos cinco modelos: Modelo 1 (Modelo Teórico) e Modelos 2, 3, 4 e 5 (Dados de operação do reator). Após a realização de um estudo exaustivo dedicado a Monitoração, iniciou-se a etapa de Detecção de Falhas em sensores, onde foram simuladas falhas na base de dados dos sensores. Para tanto as leituras dos sensores tiveram um acréscimo dos seguintes valores: 5%, 10%, 15% e 20%. Os resultados obtidos utilizando o algoritmo GMDH na escolha das melhores variáveis de entrada para as RNA foram melhores do que aqueles obtidos utilizando apenas RNA, o que viabiliza o uso da nova metodologia de Monitoração e Detecção de Falhas em sensores apresentada.