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.
PUB
sua implementação simultânea Ê 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 jå existentes. A sua interação paralela, por oposição a uma forma sequencial, permite otimizar os resultados de cada ferramenta numa sÊrie 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 tÊrmico propriamente dito como dos respetivos sistemas de diagnóstico e controlo, reduzindo tempos e custos de desenvolvimento, enquanto se otimiza o desempenho do sistema integrado.
REFERÊNCIAS [1] Romeo, L. M., Gareta, R. (2006); . Applied Thermal Engineering 26, 1530–1536; [2] Azevedo, J.A.T. (1998); . Tese de Mestrado. Instituto Superior TÊcnico; [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 TÊcnico; [6] Martins, N., Carvalho, M. G., Afgan, N., Leontiev, A. I. (1998); ' ) * +,%'& " ./ $ . Applied Thermal Engineering 16 (6), 481-489; [7] Calisto, H. (2006); 0 1 2 3 . 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(5 1 ; [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