Sistema de diagnĂłstico para caldeiras e fornalhas Utilizando CFD e redes neuronais
M 113
(2.a Parte)
Hugo Calisto1 e Nelson Martins2 1 hcalisto@ua.pt, 2 nmartins@ua.pt Departamento de Engenharia Mecânica – Universidade de Aveiro, Portugal
ARTIGO CIENTĂ?FICO
!
"
4. IMPLEMENTAĂ‡ĂƒO DE REDES NEURONAIS
metros de diagnĂłstico usados como
qual os conjuntos de dados sĂŁo envia-
vetores de de rede e os valores-
dos apĂłs devidamente processados no
Uma vez obtidos via CFD os padrĂľes de
. Um
Excel, como ilustrado na Figura 5.
distribuição de variåveis de diagnósti-
dos problemas passĂveis de ocorrer no
co, estes foram processados de modo
processo de treino ĂŠ usualmente desig-
O conjunto de teste pode ser utiliza-
a elaborar um sistema de diagnĂłstico
nado por . Este sobreajuste
do na avaliação comparativa tanto de
recorrendo a ANN ( -
pode ocorrer para um dado nĂşmero de
diversas arquiteturas e parâmetros de
tworks
iteraçþes a partir do qual a rede passa
rede distintos (essencialmente em ter-
com a expetativa inicial destas Ăşltimas
a estar demasiado “especializada� no
mos de número de camadas, funçþes
garantirem um desempenho adequado
reconhecimento dos padrĂľes com que
de ativação e algoritmos de treino),
mesmo sob as suas formas mais simples
foi treinada e perde consequentemen-
bem como do desempenho de cada
e usuais disponĂveis na prĂłpria
te qualquer capacidade de generali-
rede em particular, nomeadamente
do MATLABÂŽ. Isto tanto em termos de
zação, sendo incapaz de reconhecer
atravÊs do cålculo de correlaçþes entre
arquitetura de sistema, usando redes
! " # $
os vetores de da rede treinada e
com em mĂşltiplas camadas,
sido utilizados no processo de treino.
os valores-objetivo.
diz respeito, concretamente os algorit-
Este problema pode ser contornado
O sistema de diagnĂłstico ĂŠ suposto
mos padrĂŁo [7, 8].
atravÊs da implementação de uma
reconhecer padrĂľes correspondentes
8
como no que aos algoritmos de treino
metodologia dita de .
a sujamento e fugas ocorrendo em 24
-
Enquanto o conjunto de treino ĂŠ utili-
superfĂcies de controlo localizadas em
mulaçþes CFD foram exportados para
zado de modo usual, o algoritmo utili-
trĂŞs nĂveis designados A, B e C dividi-
Excel, onde foram processados e as-
za o conjunto de validação de modo a
dos em oito setores angulares, como
sociados ao caso particular a que se
comparar o erro global da rede obtido
ilustrado na Figura 1. Um parâmetro
referem, em termos de normalidade
utilizando os conjuntos de treino e va-
de sujamento e outro de fuga sĂŁo cal-
ou anormalidade da situação. Este pro-
lidação, parando o processo de treino
culados para cada superfĂcie, sob a for-
cesso inclui nomeadamente uma nor-
quando a diferença entre os erros ex-
*! R e r
malização dos valores para o intervalo
& '
acima referidas, sendo dada fenĂłmeno
[-1,1], a sua colocação em ordem alea-
ĂŠ assim interrompido antes da ocor-
simulado com trĂŞs nĂveis sucessivos de
tĂłria (de modo a eliminar enviesamen-
rĂŞncia de , em vez de atingir
severidade.
tos associados Ă ordem de apresenta-
o número måximo de iteraçþes ou o
ção dos valores) e uma separação em
valor-objetivo de erro. Como referido
Vårias opçþes foram consideradas em
trĂŞs subconjuntos de dados distintos,
anteriormente este processo recorre
termos de arquitetura de rede, utilizan-
designados conjunto de treino, valida-
Ă prĂłpria do MATLABÂŽ, para a
do em qualquer dos casos redes com
ção e teste e contendo tipicamente 60, 30 e 10% do nĂşmero total de conjuntos de dados [9, 10]. O motivo para esta divisĂŁo ĂŠ intrĂnseco ao processo de treino, em que os conjuntos de dados sĂŁo apresentados sequencialmente Ă rede neuronal, que de modo a representar da forma mais adequada as relaçþes entre os parâ-
Figura 5. Fluxo de dados.