Este trabalho desenvolveu um novo método para a detecção de contornos em imagens digitais que apresentam objetos de interesse muito próximos e que contêm complexidades associadas ao fundo da imagem como variação abrupta de intensidade e oscilação de iluminação. O método desenvolvido utiliza lógicafuzzy e desvio padrão da declividade (Desvio padrão da declividade fuzzy - FuzDec) para o processamento de imagens e detecção de contorno. A detecção de contornos é uma tarefa importante para estimar características de escoamento bifásico através da segmentação da imagem das bolhas para obtenção de parâmetros como a fração de vazio e diâmetro de bolhas. FuzDec foi aplicado em imagens de instabilidades de circulação natural adquiridas experimentalmente. A aquisição das imagens foi feita utilizando o Circuito de Circulação Natural (CCN) do Instituto de Pesquisas Energéticas e Nucleares (IPEN). Este circuito é completamente constituído de tubos de vidro, o que permite a visualização e imageamento do escoamento monofásico e bifásico nos ciclos de circulação natural sob baixa pressão.Os resultados mostraram que o detector proposto conseguiu melhorar a identificação do contorno eficientemente em comparação aos detectores de contorno clássicos, sem a necessidade de fazer uso de algoritmos de suavização e sem intervenção humana. / This work has developed a new method for digital image contour detection which can be successfully applied to images presenting objects of interest with high proximity and presenting complexities related with background abrupt intensity fluctuations. The developed method makes use of fuzzy logic and declivity standard deviation (Fuzzy Declivity Standard Deviation FuzDec) to image processing and contour detection. Contour detection is an important task to estimate two-phase flow features through bubble segmentation in order to obtain parameters as void fraction and bubble diameter. FuzDec was applied to natural circulation instability images which were experimentally acquired. Image acquisition was done at the Natural Circulation Circuit (CCN) of the Instituto de Pesquisas Energéticas e Nucleares (IPEN) in Brazil. This facility is all made up with glass tubes allowing easy visualization and imaging of one-phase and two-phase flow patterns during natural circulation cycles under low pressures. Results confirm that the proposed detector can improve contour identification when compared to classical contour detector algorithms, without using smoothing algorithms or human intervention.

Este trabalho desenvolveu um novo método para a detecção de contornos em imagens digitais que apresentam objetos de interesse muito próximos e que contêm complexidades associadas ao fundo da imagem como variação abrupta de intensidade e oscilação de iluminação. O método desenvolvido utiliza lógicafuzzy e desvio padrão da declividade (Desvio padrão da declividade fuzzy - FuzDec) para o processamento de imagens e detecção de contorno. A detecção de contornos é uma tarefa importante para estimar características de escoamento bifásico através da segmentação da imagem das bolhas para obtenção de parâmetros como a fração de vazio e diâmetro de bolhas. FuzDec foi aplicado em imagens de instabilidades de circulação natural adquiridas experimentalmente. A aquisição das imagens foi feita utilizando o Circuito de Circulação Natural (CCN) do Instituto de Pesquisas Energéticas e Nucleares (IPEN). Este circuito é completamente constituído de tubos de vidro, o que permite a visualização e imageamento do escoamento monofásico e bifásico nos ciclos de circulação natural sob baixa pressão.Os resultados mostraram que o detector proposto conseguiu melhorar a identificação do contorno eficientemente em comparação aos detectores de contorno clássicos, sem a necessidade de fazer uso de algoritmos de suavização e sem intervenção humana. / This work has developed a new method for digital image contour detection which can be successfully applied to images presenting objects of interest with high proximity and presenting complexities related with background abrupt intensity fluctuations. The developed method makes use of fuzzy logic and declivity standard deviation (Fuzzy Declivity Standard Deviation FuzDec) to image processing and contour detection. Contour detection is an important task to estimate two-phase flow features through bubble segmentation in order to obtain parameters as void fraction and bubble diameter. FuzDec was applied to natural circulation instability images which were experimentally acquired. Image acquisition was done at the Natural Circulation Circuit (CCN) of the Instituto de Pesquisas Energéticas e Nucleares (IPEN) in Brazil. This facility is all made up with glass tubes allowing easy visualization and imaging of one-phase and two-phase flow patterns during natural circulation cycles under low pressures. Results confirm that the proposed detector can improve contour identification when compared to classical contour detector algorithms, without using smoothing algorithms or human intervention.

Este trabalho apresenta duas metodologias baseadas em lógica fuzzy para automatizar o diagnóstico de defeito em equipamentos mecânicos, além de fazer uma comparação de seu desempenho utilizando um caso experimental. As duas metodologias estudadas são: o sistema de inferência fuzzy e o algoritmo baseado em Fuzzy C-Means. O alarme estatístico é uma metodologia existente atualmente na indústria com este objetivo e que será utilizado neste trabalho para comparação de desempenho. Para realizar os testes, foram desenvolvidos programas que permitiram criar alarmes e sistemas fuzzy utilizando um banco de dados experimental. De modo diferente ao que são feitos normalmente, os sistemas fuzzy de diagnóstico testados neste trabalho foram construídos automaticamente utilizando informações do banco de dados experimentais composto por sinais de vibração, que representam a condição normal e diversos tipos de defeitos em mancais de rolamentos. Os parâmetros escalares característicos necessários para a entrada nos sistemas fuzzy foram obtidos através do processamento dos sinais de vibração de mancais de rolamentos. Nas análises realizadas neste trabalho, foi estudada a influência de diversos características de criação do sistema fuzzy. Como exemplo, pode-se citar como principal influência, a complexidade do banco de dados a ser analisado pelo sistema fuzzy. Por fim, além de apresentar uma comparação de performance entre as metodologias fuzzy apresentadas no trabalho, com o alarme estatístico, são discutidas as características de cada uma destas metodologias. Destacam-se como principais contribuições deste trabalho, a obtenção de uma metodologia utilizada para criar de maneira automática o sistema de inferência fuzzy e as modificações realizadas no algoritmo Fuzzy C-Means para aperfeiçoar o desempenho em classificação de defeitos. / This works describes two proposed methodologies for the automatic diagnoses in mechanical equipment: the fuzzy system inference and a Fuzzy C-Means based algorithm. Their performances are evaluated in an experimental case and, afterwards, also compared by the statistical alarm, a diagnostic methodology very used in industries at present. In order to do the tests, a developed computer algorithm allowed creating alarms and fuzzy systems by the use of an experimental database. These tested diagnostic systems were automatically built using information from the mentioned database that was composed by samples of vibration signals, representing several types of rolling bearing defects and the bearing normal condition. The fuzzy systems input scalar parameters were obtained by signal processing. The influence of some of the building fuzzy systems parameters in the system performance was also studied, which allow establishing, for example, that the database complexity is an important factor in the fuzzy system performance. Finally, this work discusses the main characteristics of each one of the described methodologies. The most important contribution of this work is the proposition of a methodology for creating fuzzy system automatically as well as the analysis of the fuzzy C-Means as a tool for system diagnoses.

Este trabalho aborda o problema de modelagem de séries de vazões afluentes aos aproveitamentos hidrelétricos. A previsão de vazão natural fluvial é realizada semanalmente para 158 usinas hidrelétricas do Sistema Interligado Nacional (SIN), pois trata-se de insumo fundamental para o planejamento e operação do sistema elétrico brasileiro. Diversos modelos são utilizados na determinação destas previsões, entre os quais podem ser citados os modelos físicos, os estatísticos e aqueles que aplicam sistemas inteligentes. Apesar de contínuos aprimoramentos terem sido incorporados ao processo de previsão de vazão, existem alguns aproveitamentos hidrelétricos para os quais os resultados de estimação têm apresentado grandes desvios. Neste contexto, com a motivação de se obter uma resposta acurada, investigam-se os sistemas fuzzy como modelos concorrentes aplicados à previsão de vazões semanais. O objetivo do trabalho é reduzir os erros de estimação para uma usina piloto, incorporando à previsão de vazão os dados de precipitação. Para a construção da série histórica de precipitação média da bacia hidrográfica, fez-se uma exaustiva pesquisa por estações pluviométricas, seguida por tratamento de dados de medição e método de interpolação. Ao final do trabalho, é apresentada uma análise comparativa entre os resultados obtidos com o Modelo Autorregressivo Periódico (PAR) e o sistema de inferência fuzzy. Com base no desempenho observado, superior ao modelo autorregressivo, comprova-se a adequação do modelo proposto para a modelagem do processo hidrológico. / This work addresses the modelling problem of hydropower plants reservoir streamflow series. The natural streamflow forecasting for 157 hydroelectric power plants of the National Interconnected System - NIS is updated on a weekly basis, which is an essential input for the planning and operation of the Brazilian Electric Power System. Several models are used to determine this prediction, such as physicals, statisticals and the ones that use intelligent systems. Despite the improvements to natural streamflow forecasting, substantial deviation has been found for the expected results of some hydropower plants. Highlighted the importance of this variable, fuzzy systems applied to weekly streamflows forecasts will be investigated as alternative models, in order to obtain better results. The purpose of this work is to reduce the estimation errors for a pilot hydropower plant, incorporating precipitation data into the forecast. Therefore, an exhaustive research to acquire data from hydrometeorological stations was conducted. After being treated, a variable selection method was applied to the data, defining the most relevant input variables for the prediction model. At the end, a comparative analysis shows that the fuzzy model presents a better performance than the periodic autoregressive model used by ONS to plan the operation of the electric power system.

In recent years, response analysis of complex structures under impact loads has attracted a great deal of attention. For example, a collision or an accident that produces impact loads that exceed the design load can cause severe damage on the structural components. Although the AASHTO specification is used for impact-resistant bridge design, it has many limitations. The AASHTO specification does not incorporate complex and uncertain factors. Thus, a well-designed structure that can survive a collision under specific conditions in one region may be severely damaged if it were impacted by a different vessel, or if it were located elsewhere with different in-situ conditions. With these limitations in mind, we propose different solutions that use smart control technology to mitigate impact hazard on structures. However, it is challenging to develop an accurate mathematical model of the integrated structure-smart control systems. The reason is due to the complicated nonlinear behavior of the integrated nonlinear systems and uncertainties of high impact forces. In this context, novel algorithms are developed for identification, control and monitoring of nonlinear responses of smart structures under high impact forces. To evaluate the proposed approaches, a smart aluminum and two smart reinforced concrete beam structures were designed, manufactured, and tested in the High Impact Engineering Laboratory of Civil and Environmental Engineering at WPI. High-speed impact force and structural responses such as strain, deflection and acceleration were measured in the experimental tests. It has been demonstrated from the analytical and experimental study that: 1) the proposed system identification model predicts nonlinear behavior of smart structures under a variety of high impact forces, 2) the developed structural health monitoring algorithm is effective in identifying damage in time-varying nonlinear dynamic systems under ambient excitations, and 3) the proposed controller is effective in mitigating high impact responses of the smart structures.

"Maintaining an efficient and reliable infrastructure requires continuous monitoring and control. In order to accomplish these tasks, algorithms are needed to process large sets of data and for modeling based on these processed data sets. For this reason, computationally efficient and accurate modeling algorithms along with data compression techniques and optimal yet practical control methods are in demand. These tools can help model structures and improve their performance. In this thesis, these two aspects are addressed separately. A principal component analysis based adaptive neuro-fuzzy inference system is proposed for fast and accurate modeling of time-dependent behavior of a structure integrated with a smart damper. Since a smart damper can only dissipate energy from structures, a challenge is to evaluate the dissipativity of optimal control methods for smart dampers to decide if the optimal controller can be realized using the smart damper. Therefore, a generalized deterministic definition for dissipativity is proposed and a commonly used controller, LQR is proved to be dissipative. Examples are provided to illustrate the effectiveness of the proposed modeling algorithm and evaluating the dissipativity of LQR control method. These examples illustrate the effectiveness of the proposed modeling algorithm and dissipativity of LQR controller."

Este trabalho tem por objetivo localizar faltas em sistemas de distribuição de energia elétrica utilizando apenas dados de tensão pós-falta. Não são utilizados dados de corrente pois sua medição não é um requisito mínimo dos medidores inteligentes. Os dados coletados são fornecidos a um sistema fuzzy multicamadas. A seleção dos dados de entrada para o treinamento do sistema inteligente é uma característica exclusiva deste trabalho, por ser continuação da metodologia desenvolvida durante o mestrado do autor desta tese. O cenário estudado é um alimentador de um sistema de distribuição real, com 1600 barras e 505 transformadores. Para efeito de comparação de resultados, a distância da falta é obtida de duas formas: pela composição das estimações das impedâncias de sequência zero e positiva e pela estimação direta da distância. Os resultados se mostram satisfatórios, com erros condizentes aos que são encontrados na literatura, sendo que a estimação direta da distância da falta mostrou resultados ligeiramente melhores. / This work aims to locate faults in electrical energy distribution systems using only post-fault voltage data. Current data is not used because their measurement is not a minimum requirement of smart meters. The collected data is applied to a multilayer fuzzy inference system. The way voltage data is selected to train the fuzzy system is an exclusive feature of this work, since it is a continuation of the methodology developed during the master\'s dissertation of this thesis author. The scenario studied is a feeder of an actual distribution system, with 1600 buses and 505 transformers. For the purpose of results comparison, the distance of the fault is obtained in two ways: by the composition of the zero and positive sequence impedances estimations and by the direct estimation of the distance. The results are satisfactory, with errors that are consistent with those found in the literature, while the direct estimation of the fault distance presented slightly better results.

Orientador: Suely Cunha Amaro Mantovani / Resumo: No estudo dos manipuladores são utilizados os conceitos da cinemática direta e a inversa. No cálculo da cinemática direta tem-se a facilidade da notação de Denavit-Hartenberg, mas o desafio maior é a resolução da cinemática inversa, que se torna mais complexa conforme aumentam os graus de liberdade do manipulador, além de apresentar múltiplas soluções. As variáveis angulares obtidas pelas equações da cinemática inversa são utilizadas pelo controlador, para posicionar o órgão terminal do manipulador em um ponto específico de seu volume de trabalho. Na busca de alternativas para contornar estes problemas, neste trabalho utilizam-se os Modelos Adaptativos de Inferência Neuro-Fuzzy - ANFIS para a resolução da cinemática inversa, por meio de simulações, para obter o posicionamento de um manipulador robótico de 5 graus de liberdade, composto por sete servomotores controlados pela plataforma de desenvolvimento Intel® Galileo Gen 2, usado como caso de estudo. Nas simulações usamse ANFIS com uma arquitetura com três e quatro funções de pertinência de entrada, do tipo gaussiana. O desempenho da arquitetura da ANFIS implementada foi comparado com uma Rede Perceptron Multicamadas, demonstrando com os resultados favoráveis a ANFIS, a sua capacidade de aprender e resolver com baixo erro quadrático médio e com precisão, a cinemática inversa para o manipulador em estudo. Verifica-se também, que a performance das ANFIS melhora, quanto à precisão dos resultados, demonstrado pelo desvio médio d... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In the study of manipulator’s, the concepts of direct and inverse kinematics are used. In the computation of forward kinematics, it has of the ease of Denavit-Hartenberg notation, but the biggest challenge is the resolution of the inverse kinematics, which becomes more complex as the manipulator's degrees of freedom increase, besides presenting multiple solutions. The angular variables obtained by the inverse kinematics equations are used by the controller to position the terminal organ of the manipulator at a specific point in its work volume. In the search for alternatives to overcome these problems, in this work, the Adaptive Neuro-Fuzzy Inference Models (ANFIS) are used to solve the inverse kinematics, by means of simulations, to obtain the positioning of a robot manipulator of 5 degrees of freedom, consisting of seven servomotors controlled by the Intel® Galileo Gen 2 development platform, used as a case's study . In the simulations ANFIS's architecture are used three and four Gaussian membership functions of input. The performance of the implemented ANFIS architecture was compared to a Multi-layered Perceptron Network, demonstrating with the favorable results the ANFIS, its ability to learn and solve with low mean square error and with precision, the inverse kinematics for the manipulator under study. It is also verified that the performance of the ANFIS improves, as regards the accuracy of the results in the training process, , demonstrated by the mean deviation of the... (Complete abstract click electronic access below) / Mestre

An automatically trained, statistically based, fuzzy inference system that functions as a classifier is produced. The hybrid system is designed specifically to be used as a decision support system. This hybrid system has several features which are of direct and immediate utility in the field of decision support, including a mechanism for the discovery of domain knowledge in the form of explanatory rules through the examination of training data; the evaluation of such rules using a simple probabilistic weighting mechanism; the incorporation of input uncertainty using the vagueness abstraction of fuzzy systems; and the provision of a strong confidence measure to predict the probability of system failure. <br /><br /> Analysis of the hybrid fuzzy system and its constituent parts allows commentary on the weighting scheme and performance of the "Pattern Discovery" system on which it is based. <br /><br /> Comparisons against other well known classifiers provide a benchmark of the performance of the hybrid system as well as insight into the relative strengths and weaknesses of the compared systems when functioning within continuous and mixed data domains. <br /><br /> Classifier reliability and confidence in each labelling are examined, using a selection of both synthetic data sets as well as some standard real-world examples. <br /><br /> An implementation of the work-flow of the system when used in a decision support context is presented, and the means by which the user interacts with the system is evaluated. <br /><br /> The final system performs, when measured as a classifier, comparably well or better than other classifiers. This provides a robust basis for making suggestions in the context of decision support. <br /><br /> The adaptation of the underlying statistical reasoning made by casting it into a fuzzy inference context provides a level of transparency which is difficult to match in decision support. The resulting linguistic support and decision exploration abilities make the system useful in a variety of decision support contexts. <br /><br /> Included in the analysis are case studies of heart and thyroid disease data, both drawn from the University of California, Irvine Machine Learning repository.

An automatically trained, statistically based, fuzzy inference system that functions as a classifier is produced. The hybrid system is designed specifically to be used as a decision support system. This hybrid system has several features which are of direct and immediate utility in the field of decision support, including a mechanism for the discovery of domain knowledge in the form of explanatory rules through the examination of training data; the evaluation of such rules using a simple probabilistic weighting mechanism; the incorporation of input uncertainty using the vagueness abstraction of fuzzy systems; and the provision of a strong confidence measure to predict the probability of system failure. <br /><br /> Analysis of the hybrid fuzzy system and its constituent parts allows commentary on the weighting scheme and performance of the "Pattern Discovery" system on which it is based. <br /><br /> Comparisons against other well known classifiers provide a benchmark of the performance of the hybrid system as well as insight into the relative strengths and weaknesses of the compared systems when functioning within continuous and mixed data domains. <br /><br /> Classifier reliability and confidence in each labelling are examined, using a selection of both synthetic data sets as well as some standard real-world examples. <br /><br /> An implementation of the work-flow of the system when used in a decision support context is presented, and the means by which the user interacts with the system is evaluated. <br /><br /> The final system performs, when measured as a classifier, comparably well or better than other classifiers. This provides a robust basis for making suggestions in the context of decision support. <br /><br /> The adaptation of the underlying statistical reasoning made by casting it into a fuzzy inference context provides a level of transparency which is difficult to match in decision support. The resulting linguistic support and decision exploration abilities make the system useful in a variety of decision support contexts. <br /><br /> Included in the analysis are case studies of heart and thyroid disease data, both drawn from the University of California, Irvine Machine Learning repository.