Issuu on Google+

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 número total de conjuntos de dados [9, 10]. O motivo para esta divisão é intrínseco ao processo de treino, em que os conjuntos de dados são apresentados sequencialmente à rede neuronal, que             de modo a representar da forma mais adequada as relações entre os parâ-

Figura 5. Fluxo de dados.


PUB

sua implementação simultânea é ainda relativamente recente, tendo mostrado ser promissora no desenvolvimento de sistemas de diagnóstico, tanto desde a fase de desenvolvimento do sistema a que se destinam como na ausência de dados relativos a sistemas já existentes. A sua interação paralela, por oposição a uma forma sequencial, permite otimizar os resultados de cada ferramenta numa série de passos           diversas relativamente tanto à caldeira como ao respetivo sistema de diagnóstico, ainda antes de ser atingida a fase de protótipo, permitem otimizar o desempenho do sistema acabado enquanto diminuem os custos de desenvolvimento e manutenção.             ciam os processos de desenvolvimento tanto do equipamento térmico propriamente dito como dos respetivos sistemas de diagnóstico e controlo, reduzindo tempos e custos de desenvolvimento, enquanto se otimiza o desempenho do sistema integrado.

REFERĂŠNCIAS [1] Romeo, L. M., Gareta, R. (2006);          . Applied Thermal Engineering 26, 1530–1536; [2] Azevedo, J.A.T. (1998);                     . Tese de Mestrado. Instituto Superior TĂŠcnico; [3] Afgan, N, Carvalho, M. G., Coelho, P. (1996);      !       . Applied Thermal Engineering 16, 835-844; [4] Afgan, N, Coelho, P., Carvalho, M. G. (1998); "        ! . Applied Thermal Engineering 18, 317-326; [5] Martins, N. (1998); # $  %  $& $ '   (Tese de Doutoramento. Instituto Superior TĂŠcnico; [6] Martins, N., Carvalho, M. G., Afgan, N., Leontiev, A. I. (1998); '  )*       +,%'&" ./$     . Applied Thermal Engineering 16 (6), 481-489; [7] Calisto, H. (2006);  01   23      . Tese de Mestrado. Universidade de Aveiro; [8] Martins, N., Calisto, H. (2006); 1  !  "   , 1&

   "# . 7ÂŞ ConferĂŞncia Europeia sobre Fornalhas e Caldeiras Industriais. Porto, Portugal, 18 a 21 de abril; [9] Demuth, H., Beale, M. (1996);     1 , Brooks/Cole Publishing Company; [10] Looney, C. G. (1997); 0

       ,     , 1st Edition, Oxford University Press, Oxford; [11] The MathWorks, Inc. (2004), %#&+#"4(51    ; [12] Ogaji, S. O. T., Singh, R. (2003); #       *    . Applied Soft Computing 3, 259-271; [13] Sen, M., Yang, K. T. (2000); #    *               , in: CRC Handbook of Thermal Engineering, 620-661; [14] Martins, N., Calisto, H., Afgan, N., Leontiev, A. I. (2006); &        6  . Applied Thermal Engineering 26, 1552-1555; [15] Martins, N., Hit, S., Calisto, H., Afgan, N. (2006); &&  &     7# ! 0   . Applied Thermal Engineering 26, 2247-2254.

M

18 de Outubro 2012


Sistema de diagnóstico para caldeiras e fornalhas Utilizando CFD e redes neuronais (2.ªParte)