Detecção e diagnostico de falhas em sistemas dinamicos utilizando redes neurais e logica nebulosa

Métodos de detecção e diagnóstico de falhas têm sido muito estudados ultimamente, como resultado da demanda por sistemas de maior confiabilidade. Neste trabalho, adotam-se métodos de inteligência computacional, em uma configuração que faz uso de redes neurais artificiais e lógica nebulosa para a monitoração de sistemas dinâmicos representados por modelos de estado adequadamente dimensionados. Os parâmetros do modelo de estado são estimados recursivamente utilizando uma rede neural recorrente do tipo Hopfield, à qual foram adicionados mecanismos de otimização. As saídas do estimador são sintomas submetidos a um módulo de pré-diagnóstico, o qual discrimina perturbações nos valores identificados para os parâmetros, detectando a falha. Um terceiro módulo é utilizado para executar o diagnóstico propriamente dito, através de um método de inferência baseado em lógica nebulosa. A base de conhecimento é determinada a partir da interpretação de grafos direcionados e sinalizados, que relacionam os parâmetros físicos aos parâmetros do modelo de estado. Além de simulações em diversos sistemas lineares invariantes no tempo, a configuração foi testada também em sistemas variantes no tempo e com não-linearidades suaves, incluindo sistemas artificiais e do mundo real. Os resultados obtidos permitem concluir que os métodos desenvolvidos podem ser aplicados com sucesso a diversos tipos de sistemas dinâmicosFault detection and diagnosis methods have been intensively studied lately, as a result of the demand for systems of greater reliability. In this work, computational intelligence methods were adopted, in a configuration that uses artificial neural networks and fuzzy logic for monitoring dynamic systems represented by state-space models of adequate dimension. The parameters of the model are recursively estimated using a Hopfield-type recurrent neural network, endowed with additional optimization mechanisms. The outputs of the estimator are taken as symptoms submitted to a pre-diagnostic module, in order to establish the nominal reference parameter values. A third module is used to implement the diagnosis itself, based on a fuzzy inference method. The knowledge base is determined by means of a signed directed graph, that represents the relations among the physical parameters and the parameters of the state-space model. Besides several simulations using time-invariant linear systems, the configuration was also tested in the presence of time-varying dynamics and smooth nonlinearities including artificial and real world systems. The results guide to the conclusion that the developed methods can be successfully applied to a wide range of dynamic system