Estrategias de detecção e diagnostico de falhas em sistemas dinamicos

A detecção e diagnóstico de falhas (DDF) em sistemas dinâmicos baseados em redundância analítica são tratadas sob diversas abordagens, fundamentadas em conceitos básicos que incluem: espaço de paridade; estimação de estados; estimação de parâmetros; sistemas especialistas; reconhecimento de padrões e outros. Neste trabalho a DDF é abordada sob a ótica de classificação de padrões. O problema de classificação de padrões pode ser resolvido utilizando-se diversas técnicas, tais como algoritmos heurísticos, técnicas de probabilidade, redes neurais, lógica fuzzy e outras. Aqui, para classificação de padrões, é proposta uma estrutura de rede neurofuzzy and/or, além de uma modificação na estrutura clássica da rede neural auto-organizada. São propostas três estratégias de sistema de detecção e diagnóstico de falhas. Na primeira, os padrões são formados a partir das informações de entrada e saída da planta. A segunda e a terceira são baseadas em sistema de classificação de padrões e geração residual (estratégias híbridas). Na segunda, os resíduos são gerados a partir de comparações entre os estados para diversos observadores em modos deslizantes. Na terceira, são utilizados parâmetros do modelo da planta, que são os pesos de uma rede neurofuzzy. As estruturas foram testadas em três sistemas dinâmicos, a saber: sistema de acionamento elétrico utilizando máquina de corrente contínua; sistema de acionamento elétrico utilizando máquina de corrente alternada e sistema de tanques interativos (acoplados)Analytical redundancy for fault detection and diagnosis of dynamic systems, FDD, has been approached by several methodologies, state estimation, parameter estimation, expert systems, and pattern classification and recognition being typical examples. In particular, pattern classification and recognition methods adopt probabilistic, heuristic, neural, and fuzzy set based techniques as a solution framework. This work introduces the FDD as a pattern classification and recognition problem. Two neural approaches for pattern classific ation and recognition are introduced and compared: a neurofuzzy network composed by logical and and or neurons with a competitive learning, and a variation of a supervised Learning Vector Quantization (LVQ) network with ?N IND. 1?,? N IND. 2? and Noo norrns and a pruning scheme, respectively. In addition, three schemes are proposed to solve FDD problems. The first scheme uses input and output signals to classify the operational condition of the dynamic system. In this case mathematical models are not needed to detect and to diagnose faults. The second uses residues generated by comparisons among the states of several sliding mode observers. The third uses the parameters of a model of the system. The model parameters are the weights of a neurofuzzy network. The last two schemes constitute hybrid strategies to solve FDD problems. The schemes developed herein were tested in three different dynamic systems: a DC motor drive; an AC motor drive, and an interactive tank system. Simulation results are reported for these three example problem