La surveillance des systèmes mécatroniques, en particulier, ceux intégrés sur les véhicules d'aujourd'hui est de plus en plus difficile. Les interconnexions de ces systèmes en vue de l'accroissement des performances et du confort de véhicule augmentent la complexité de l'information nécessaire à la prise de décision en temps réel. Cette thèse est consacrée à la problématique de détection et d'isolation (FDI, Fault Detection & Isolation) de pannes automobiles en utilisant des systèmes de recherche et d'évaluation de l'information par des approches monocritères. Les variables pertinentes pour la détection rapide des pannes sont sélectionnées d'une manière automatique en utilisant deux approches différentes : I. La première consiste à introduire la notion de conflit entre toutes les variables mesurables du système mécatronique et les analyser à partir des projections dans des espaces de classification hyper-rectangles. II. La deuxième approche consiste à utiliser la complexité de Kolmogorov comme outil de classification des signatures de pannes. L'estimation de la complexité de Kolmogorov par des algorithmes de compression sans perte d'information permet de définir un dictionnaire de pannes et de donner un score de criticité par rapport au bon fonctionnement du véhicule. Les deux approches proposées ont été appliquées avec succès sur plusieurs types de données automobiles dans le cadre du projet ANR-DIAPA

This thesis proposes an object localization and image retrieval framework, which trains a discriminative feature set for each object class. For this purpose, a hierarchical learning architecture, together with a Neighborhood Tree is introduced for object labeling. Initially, a large variety of features are extracted from the regions of the pre-segmented images. These features are, then, fed to the training module, which selects the &quot / best set of representative features&quot / , suppressing relatively less important ones for each class. During this study, we attack various problems of the current image retrieval and classification systems, including feature space design, normalization and curse of dimensionality. Above all, we elaborate the semantic gap problem in comparison to human visual system. The proposed system emulates the eye-brain channel in two layers. The first layer combines relatively simple classifiers with low level, low dimensional features. Then, the second layer implements Adaptive Resonance Theory, which extracts higher level information from the first layer. This two-layer architecture reduces the curse of dimensionality and diminishes the normalization problem. The concept of Neighborhood Tree is introduced for identifying the whole object from the over-segmented image regions. The Neighborhood Tree consists of the nodes corresponding to the neighboring regions as its children and merges the regions through a search algorithm. Experiments are performed on a set of images from Corel database, using MPEG-7, Haar and Gabor features in order to observe the power and the weakness of the proposed system. The &quot / Best Representative Features&quot / are found in the training phase using Fuzzy ARTMAP [1], Feature-based AdaBoost [2], Descriptor-based AdaBoost, Best Representative Descriptor [3], majority voting and the proposed hierarchical learning architecture. During the experiments, it is observed that the proposed hierarchical learning architecture yields better retrieval rates than the existing algorithms available in the literature.

Made available in DSpace on 2014-06-11T19:22:31Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-02-19Bitstream added on 2014-06-13T20:09:42Z : No. of bitstreams: 1 martins_jrd_me_ilha.pdf: 2522090 bytes, checksum: f59e117ff382b22406c99cdc0096ef37 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Este trabalho apresenta uma metodologia para detecção e classificação de faltas do tipo curto-circuito. Esta operação de diagnóstico tem como principal operador um banco de redes neurais artificiais (RNAs) do tipo ARTMAP Nebulosa. Tal ferramenta segue a principal filosofia das RNAs: o reconhecimento de padrões, através de um trei- namento supervisionado inicial, responsável por atualizar os parâmetros das redes con- comitantemente com os resultados desejados. Finalizada a fase de adaptação, as redes serão capazes de, após receber novos padrões, classificá-los, de forma a propiciar, ao operador, informações importantes quanto ao estado de transmissão de barras presentes em um determinado complexo elétrico. Aqui, tomou-se como modelo a simulação de um grande alimentador real, composto por mais de 800 barras. Aliados às RNAs, tam- bém foram aplicadas, no que se refere à análise de dados amostrados de corrente elétri- ca, duas importantes e flexíveis ferramentas matemáticas: a Transformada de Fourier e a Transformada Wavelet. .Observa-se, ao final do trabalho, que os resultados apresenta- dos são bastante encorajadores, o que possibilitaria a utilização do programa em um ambiente real / This work presents a detection and classification of short-circuit faults metho- dology. The main operator of this diagnostic operation is a Fuzzy ARTMAP Artificial Neural Networks (ANN) bank. This tool follows the ANN’s main core: pattern recogni- tion, through an initial supervised training stage, responsible for updating the parame- ters of the networks con-comitant with the desired results. Completed the adaptation phase, the network will be able to, after receiving new standards, classifying them in order to provide to the operator important information about the state of transmission of bars present in a given complex electric. Here, there is, like a model, a simulation of a real big feeder, comprising more than 800 bars. Besides the ANNs, two important and flexible mathematical tools were also applied with regard to the analysis of sampled data of electric current: Fourier Transform and Wavelet Transform. At the end of the work the results presented are very encouraging, which would allow the use of the pro- gram in a no simulations real environment

Orientador: Carlos Roberto Minussi / Banca: Anna Diva Plasencia Lotufo / Banca: Mara Lúcia Martins Lopes / Banca: Arlan Luiz Bettiol / Banca: Edmárcio Antonio Belati / Resumo: Muitos esforços têm sido despendidos para tentar sanar problemas relacionados com Qualidade da Energia Elétrica (QEE), principalmente na automação de processos e desenvolvimento de equipamentos de monitorização que possibilitem maior desempenho e confiabilidade a todo o Sistema Elétrico. Esta pesquisa apresenta um sistema eficiente de identificador/classificador automático de distúrbios chamado de Rede Neuro-Fuzzy-Wavelet. A estrutura básica dessa rede é composta por três módulos: o módulo de detecção de anomalias onde os sinais com distúrbios são identificados, o módulo de extração de características onde as formas de onda com distúrbio são analisadas, e o módulo de classificação que conta com uma rede neural ARTMAP Fuzzy, a qual indica qual o tipo de distúrbio sofrido pelo sinal. Os tipos de distúrbios incluem os isolados de curto prazo, tais como: afundamento de tensão (sag), elevação de tensão (swell), os distúrbios de longo prazo como distorção harmônica, bem como distúrbios múltiplos simultâneos como afundamento de tensão com distorção harmônica e elevação de tensão com distorção harmônica. A concepção do sistema de inferência (neural wavelet ARTMAP fuzzy) permite realizar a classificação dos referidos distúrbios de forma robusta e com grande rapidez na obtenção das soluções. Testes apontam para o alto desempenho dessa rede na detecção e classificação correta dos tipos de distúrbios de tensão analisados, 100% de acerto. A forma robusta e grande rapidez na obtenção dos resultados, possibilita sua aplicação em tempo real, visto que o esforço computacional, muito pequeno, é alocado, basicamente, na fase de treinamento. Somente uma pequena parcela de tempo computacional é necessária para a efetivação das análises. Além do mais, a metodologia proposta pode ser estendida para a realização de tarefas mais complexas... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Many efforts have been spent to solve problems related to Power Quality (PQ), principally in process automation and developing monitoring equipments that can provide more reliability and behavior for the electrical system. This research presents an efficient automatic system to identify/classify disturbs by Fuzzy Wavelet Neural Network. The basic structure of this neural network is composed of three modules such as: module for detecting anomalies where the signals with disturbs are identified, module for extracting the characteristics where the wave forms with disturbs are analyzed, and the module of classification that contains a fuzzy ARTMAP neural network that shows the type of disturbs existing in the signal. The types of disturbs include the short term isolated ones which are: voltage dip (sag), voltage increasing (swell); the long term disturbs such as harmonic distortion as well as the multiple simultaneous ones like the voltage dip with harmonic distortion and voltage increasing with harmonic distortion. The inference system (neural wavelet ARTMAP fuzzy) allows executing the classification of the cited disturbs very fast and obtaining reliable results. This neural network provides high performance when classifying and detecting the voltage disturbs very fast with about 100% of accuracy. The speed in obtaining the results allows an application in real time due to a low computational effort, which is basically in the training phase of the neural network. A little time of the computational effort is spent for the analysis. Moreover the proposed methodology can be used for realizing more complex tasks, as for example the localization of the power sources of the voltage disturbs. It is a very important contribution in the power quality, mainly to be a needy activity for solutions on the specialized literature / Doutor

Orientador: Carlos Roberto Minussi / Resumo: Nesta pesquisa de doutorado, propõe-se o desenvolvimento de um sistema previsor de carga multinodal, via Redes Neurais Artificiais (RNAs). Trata-se da previsão que envolve vários pontos da rede elétrica, e.g., subestações de sistemas de distribuição, alimentadores, transformadores etc., bem como as barras dos sistemas de transmissão de grande porte. Na literatura especializada, há a prevalência de oferta de propostas visando à previsão da carga total (ou global) correspondente ao somatório de todo o consumo demandado no sistema, considerando-se um horizonte, por exemplo, 24 horas à frente. Nesta pesquisa, dar-se-á ênfase à previsão de carga multinodal. Visando realizar esta previsão, há necessidade de se dispor de um procedimento especializado que produza resultados que atendam os requisitos do setor elétrico (precisão desejada, confiabilidade e rapidez). Estes requisitos são os objetivos desta pesquisa, cujo modelo desenvolvido constitui-se num sistema neural inspirado na arquitetura neural da família ART (Adaptive Resonance Theory), mais especificamente, a RNA supervisionada ARTMAP-Fuzzy, a qual congrega a teoria da ressonância adaptativa e a teoria dos conjuntos fuzzy. O emprego da teoria dos conjuntos fuzzy confere, às RNAs da família ART, a aptidão de processar informações analógicas, binárias, assim como combinações dessas informações. A opção por esta RNA é em razão do seu atributo de ser estável e plástica. A estabilidade está associada à capacidade de produzir sempre... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This research proposes to develop a multinodal load forecasting system by Artificial Neural Networks. This is a prediction for several points of the electrical network, e.g. distribution substations, feeders, transformers, etc., as well as busses of huge transmission systems. The literature offers proposals for total load forecasting (or global) corresponding to the sum of all demanded consumption considering a horizon of 24h ahead. This research emphasizes multinodal load forecasting. To perform this prediction, it is necessary to have a specialized procedure that provides results attending the requests of the electrical system (desired precision, reliability and velocity). These requests are the objective of this research, whose developed model is based on ART (Adaptive Resonance Theory) family, specifically the supervised Fuzzy ARTMAP neural network that uses the adaptive resonance theory and fuzzy logic theory. The option of this neural network is due to the attribute to be stable and plastic. The stability is associated to the capacity to produce always a solution. The plasticity (incremental training) is a propriety that is not observed in most of the neural network available on the literature. This is similar to what occurs with humans, as new information comes, the human being is more intelligent. Knowing the electrical load with precision and in advance is a primordial need. The studies about the operational modes of the system and the strategies used to attend conti... (Complete abstract click electronic access below) / Doutor