Desenvolvimento de uma metodologia usando Redes Neurais Artificiais para a detecção e o diagnóstico de falhas em válvulas de controle
Sistemas de Controle, Plantas Industriais, Detecção e Diagnóstico de Falhas, Emulação, Assinaturas Digitais.
Para satisfazer um mercado cada vez mais exigente e complexo, a concorrência no âmbito industrial estima por uma maior produtividade e segurança nos sistemas de controle de plantas industriais. Por isso, o aparecimento de uma falha pode vir a comprometer o funcionamento do sistema de uma planta, podendo até levar a uma situação de risco. Então, a área de FDD (Fault Detection and Diagnostics) contribui de forma a evitar algum evento indesejado, pois, várias são as técnicas e os métodos que tem sido propósito de estudo para a detecção, isolamento, identificação e consequentemente diagnóstico de falhas. Neste trabalho, será aplicada uma metodologia que por meio da emulação de falhas tendo como objetivo obter parâmetros semelhantes a um modelo de referência (benchmark) para a etapa de determinação de assinaturas digitais das falhas. Todo esse processo será realizado encorporando técnicas como: clusterização, redimensionamento de dados, geração de resíduos, redes neurais, aquisição de assinaturas e o método da árvore de decisão, fases essas necessárias para efetivar as etapas de detecção e por fim, diagnosticar anormalidades que estejam presentes. Para validar a metodologia em estudo será utilizado o modelo benchmark DAMADICS que é vastamente consolidado na literatura principalmente devido ao seu conjunto de falhas, que serviram de base para o processo de emulação no sistema de uma planta didática.