Detecção e diagnostico de falhas em sistemas de processos quimicos. Importancia do conhecimento de estados intermediarios de processos dinamicos. Desenvolvimento de uma metodologia baseada em redes neurais

Redes Neurais Artificiais (RNA) têm demonstrado um excelente desempenho em detecção e diagnóstico de falhas em muitas aplicações de engenharia. O grande problema quando se usa redes neurais está no fato de qua as redes somente funcionam bem para dados para os quais foi treinada. Isto significa que é necessário usar tantos dados quantos possíveis a fim de se cobrir uma larga faixa de condições operacionais do processo. Muitos dos trabalhos publicados em detecção de falhas estãor relacionados ao comportamento no estado estacionário, e o presente trabalho leva em conta a dinâmica do processo na detecção e diagnóstico de falhas. Um sistema computacional eficiente, baseado em redes neurais com Funções Base Radiais, foi desenvolvido para analisar a influência do comportamento dinâmico de plantas químicas complexas para detectar e diagnosticar falhas. A retropropagação usando a regra delta generalizada (RDG) para o cálculo do gradiente para o treinamento de RNA's não é conveniente para sistemas com grande quantidade de dados. Foi proposta também uma metodologia a qual permite agrupar dados para o estudo e análise de sistems complexos, o que permite a detecção e o diagnóstico em grandes sistemasArtificial Neural Networks (ANN) have demonstrated excellent performance in automatic fault detection and diagnosis in many engineering applications. The great problem when using neural networks, is that neural networks perform only as robustly as the data from which they are trained. This means that is necessary to use as much data as possible in order to cover the wider range of possible operational conditions of the processo Most of the published work on fault detection are related to steady state behavior, and the present work was undertaken to study the process dynamics effects on fault detection. A computational system based on neural networks was developed to analyze the influence of the dynamic behavior of a complex chemical plants to detect and to diagnose faults. An efficient artificial neural network which may be trained through large data sets has also been developed. Although backpropagation using a generalized delta mIe (GDR) for gradient calculation has been popularized as a method of training ANN, it is clear that that this methodology is unsuitable for large data systems. For large data systems we found the great efficiency of neural networks using Radial Basis Functions. Finally, is proposed a methodology which permits to group data from simple lumped systems to study and analyze complex systems which makes possible the detection and diagnosis of the large set of possible of fauIt