No description available.

Orientador: Fábio Roberto Chavarette / Resumo: Redes Neurais Artificiais (RNAs) são algoritmos de aprendizado, geralmente estruturados em torno de categorização de dados de entrada e/ou seu agrupamento por similaridade. Tendo em vista características desejáveis como aprendizado rápido e estabilidade frente a vetores de entrada altamente mutáveis, adotou-se uma RNA do tipo Fuzzy ARTMAP como mecanismo central de um método de monitoramento de saúde estrutural para detectar e categorizar falhas em dados experimentais provenientes de um sistema mecânico similar a um pequeno prédio de dois andares. Mais especificamente, com o objetivo de detectar alterações das frequências naturais da estrutura, fenômeno ligado à deterioração da mesma, e determinar qual(is) andar(es) está(ão) ligado(s) ao comportamento anômalo, se detectado. A acurácia da rede foi avaliada, sendo realizado um estudo da quantidade de dados necessárias para o desempenho satisfatório da rede. Observou-se desempenho satisfatório, a acurácia do método tendendo a aproximadamente 94% a partir de certas quantidades de dados. / Abstract: Artificial Neural Networks (ANNs) are learning algorithms, largely revolving around categorizing data sets based on measures of similarity between its members. Due to desirable characteristics such as fast learning and stability when dealing with highly mutable input vectors, a Fuzzy ARTMAP ANN was selected as the core mechanism of a structural health monitoring method. Its goal was to detect and categorize faults in experimental data collected from a mechanical system akin to a small two-story building. More specifically, to detect disturbances on the structure's natural frequencies, phenomenon linked to its deterioration, and to determine which story or stories are linked to anomalous behavior, if any. The accuracy of the method was evaluated, and the amount of data needed for optimal operation was determined. Satisfactory performance was observed; the method's accuracy tended towards 94% with enough training samples. / Mestre

Proteger as linhas de transmissão é uma das tarefas mais importantes dentro dos sistemas elétricos de potência. Faltas em linhas de transmissão devem ser localizadas precisamente e extintas o mais rápido possível. Para tal, o esquema de proteção de linhas utiliza valores amostrados de correntes e tensões para a execução das tarefas de detecção, classificação e localização da falta. Neste esquema, grandezas trifásicas de corrente (IA, IB, IC) e tensão (VA, VB, VC) compõem as entradas do sistema. Após a detecção e classificação da falta, o relé efetua o cálculo da impedância aparente para a verificação da zona de proteção na qual a falta se insere (localização). Dentro deste contexto, a rápida detecção e a correta classificação da falta são passos fundamentais para a lógica de controle de um relé. Para a utilização de sistemas de proteção com alta velocidade de operação, o conjunto detector + classificador deve realizar uma decisão precisa do tipo de falta envolvida em menos de 10 ms após a ocorrência desta. Alguns métodos convencionais têm lidado com este problema, porém os tempos para estimação do tipo de falta são algumas vezes excessivamente longos. Este trabalho apresenta um novo sistema que provê uma rápida e confiável detecção e classificação de faltas através das medidas de valores de correntes trifásicas. O novo método utiliza-se da teoria de Redes Neurais Artificiais, baseada em dois diferentes tipos de redes (MLP e RBF), para a tarefa de detecção e classificação de faltas nos níveis de tempo requeridos para um moderno sistema de proteção. Um estudo comparativo em relação ao desempenho das redes mencionadas também foi realizado. Os testes efetuados para as redes dos tipos MLP e RBF mostraram que o sistema proposto foi capaz de detectar e classificar corretamente 100% dos casos estudados. Deve ainda ser ressaltado, que na maior parte dos casos (93% para a rede MLP e 84% para a rede RBF), o processo de detecção e classificação foi completado com no máximo 5 amostras de pós-falta (5ms). Isto demonstra a rapidez na tarefa de detecção e classificação embutida no método proposto, principalmente levando-se em consideração os tempos apresentados pelos métodos convencionais. / Transmission line protection is one of the major tasks for a power system. Transmission line faults must be located accurately and isolated as fast as possible. In order to perform this task, the power system protection system uses the three-phase currents (IA, IB, IC) and voltages (VA, VB, VC) to detect, classify and locate the fault. After detecting and classifying the fault, the relay calculates the apparent impedance to verify in which protection zone the fault is located. Taking this into account, precise and fast detection and classification methods are fundamental steps for the relay control algorithm. The combination detection + classification must carry out the correct response in less than 10 ms after the fault for a high-speed protection system. Some conventional methods have treated this problem but the time for a correct classification is sometimes excessively long. This work presents a fast and reliable new system for fault detection and classification using the three-phase current measurements. This new system is based on Artificial Neural Networks (RBF and MLP) for the detection and classification tasks. A comparative study involving both types of neural networks was done. Tests showed that the proposed system was able to correctly detect and classify 100% of the studied cases where the majority (93% of the cases for MLP net and 84% for RBF net) of them was done in up to 5 post-fault samples (5 ms). The afore-mentioned demonstrates the high speed of the new method for the detection and classification tasks when compared to the conventional ones.

Made available in DSpace on 2014-12-17T14:08:33Z (GMT). No. of bitstreams: 1 JulianaPM.pdf: 4255756 bytes, checksum: 0f65b2b3a4f0afafcf55cda7d138bb36 (MD5) Previous issue date: 2009-06-29 / This master dissertation presents the study and implementation of inteligent algorithms to monitor the measurement of sensors involved in natural gas custody transfer processes. To create these algoritmhs Artificial Neural Networks are investigated because they have some particular properties, such as: learning, adaptation, prediction. A neural predictor is developed to reproduce the sensor output dynamic behavior, in such a way that its output is compared to the real sensor output. A recurrent neural network is used for this purpose, because of its ability to deal with dynamic information. The real sensor output and the estimated predictor output work as the basis for the creation of possible sensor fault detection and diagnosis strategies. Two competitive neural network architectures are investigated and their capabilities are used to classify different kinds of faults. The prediction algorithm and the fault detection classification strategies, as well as the obtained results, are presented / Esta disserta??o apresenta o estudo e implementa??o de algoritmos inteligentes para o monitoramento da medi??o de sensores envolvidos em processos de transfer?ncia de cust?dia de g?s natural. Para a cria??o destes algoritmos s?o investigadas arquiteturas de Redes Neurais Artificiais devido a caracter?sticas particulares, tais como: aprendizado, adapta??o e predi??o. Um preditor ? implementado com a finalidade de reproduzir o comportamento din?mico da sa?da de um sensor de interesse, de tal forma que sua sa?da seja comparada ? sa?da real do sensor. Uma rede recorrente ? utilizada para este fim, em virtude de sua capacidade em lidar com informa??o din?mica. A sa?da real do sensor e a sa?da estimada do preditor formam a base para a cria??o das estrat?gias de detec??o e identifica??o de poss?veis falhas. Duas arquiteturas de redes neurais competitivas s?o investigadas e suas potencialidades s?o utilizadas para classificar tipos diferentes de falhas. O algoritmo de predi??o e as estrat?gias de detec??o e classifica??o de falhas, bem como os resultados obtidos, ser?o apresentados

Proteger as linhas de transmissão é uma das tarefas mais importantes dentro dos sistemas elétricos de potência. Faltas em linhas de transmissão devem ser localizadas precisamente e extintas o mais rápido possível. Para tal, o esquema de proteção de linhas utiliza valores amostrados de correntes e tensões para a execução das tarefas de detecção, classificação e localização da falta. Neste esquema, grandezas trifásicas de corrente (IA, IB, IC) e tensão (VA, VB, VC) compõem as entradas do sistema. Após a detecção e classificação da falta, o relé efetua o cálculo da impedância aparente para a verificação da zona de proteção na qual a falta se insere (localização). Dentro deste contexto, a rápida detecção e a correta classificação da falta são passos fundamentais para a lógica de controle de um relé. Para a utilização de sistemas de proteção com alta velocidade de operação, o conjunto detector + classificador deve realizar uma decisão precisa do tipo de falta envolvida em menos de 10 ms após a ocorrência desta. Alguns métodos convencionais têm lidado com este problema, porém os tempos para estimação do tipo de falta são algumas vezes excessivamente longos. Este trabalho apresenta um novo sistema que provê uma rápida e confiável detecção e classificação de faltas através das medidas de valores de correntes trifásicas. O novo método utiliza-se da teoria de Redes Neurais Artificiais, baseada em dois diferentes tipos de redes (MLP e RBF), para a tarefa de detecção e classificação de faltas nos níveis de tempo requeridos para um moderno sistema de proteção. Um estudo comparativo em relação ao desempenho das redes mencionadas também foi realizado. Os testes efetuados para as redes dos tipos MLP e RBF mostraram que o sistema proposto foi capaz de detectar e classificar corretamente 100% dos casos estudados. Deve ainda ser ressaltado, que na maior parte dos casos (93% para a rede MLP e 84% para a rede RBF), o processo de detecção e classificação foi completado com no máximo 5 amostras de pós-falta (5ms). Isto demonstra a rapidez na tarefa de detecção e classificação embutida no método proposto, principalmente levando-se em consideração os tempos apresentados pelos métodos convencionais. / Transmission line protection is one of the major tasks for a power system. Transmission line faults must be located accurately and isolated as fast as possible. In order to perform this task, the power system protection system uses the three-phase currents (IA, IB, IC) and voltages (VA, VB, VC) to detect, classify and locate the fault. After detecting and classifying the fault, the relay calculates the apparent impedance to verify in which protection zone the fault is located. Taking this into account, precise and fast detection and classification methods are fundamental steps for the relay control algorithm. The combination detection + classification must carry out the correct response in less than 10 ms after the fault for a high-speed protection system. Some conventional methods have treated this problem but the time for a correct classification is sometimes excessively long. This work presents a fast and reliable new system for fault detection and classification using the three-phase current measurements. This new system is based on Artificial Neural Networks (RBF and MLP) for the detection and classification tasks. A comparative study involving both types of neural networks was done. Tests showed that the proposed system was able to correctly detect and classify 100% of the studied cases where the majority (93% of the cases for MLP net and 84% for RBF net) of them was done in up to 5 post-fault samples (5 ms). The afore-mentioned demonstrates the high speed of the new method for the detection and classification tasks when compared to the conventional ones.