Made available in DSpace on 2014-06-12T15:57:07Z (GMT). No. of bitstreams: 2 arquivo3141_1.pdf: 1187523 bytes, checksum: aeae95bc618434f1a50b6e6a9d701689 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / SERVIÇO FEDERAL DE PROCESSAMENTO / Técnicas baseadas em biometria têm sido aplicadas com sucesso em sistemas de identificação pessoal. Entre essas técnicas, uma bastante promissora é a que utiliza a dinâmica de digitação de cada usuário para reconhecê-lo. Neste trabalho investigamos uma arquitetura de um sistema de identificação pessoal através da dinâmica da digitação dos usuários. Os principais objetivos deste trabalho são desenvolver um sistema totalmente automatizado, ou seja, sem qualquer intervenção humana, e um estudo sobre como o módulo de seleção das características pode aumentar a aptidão do sistema. Em primeiro lugar, testamos a dificuldade de aprendizado dos dados através de um sistema sem seleção de características e com classificadores baseados em distância e máquinas de vetores suporte (SVM). Em seguida combinamos ao classificador SVM, um módulo de seleção das características da categoria filtro e da categoria wrapper. Avaliamos uma técnica da abordagem filtro e duas técnicas de otimização para a abordagem wrapper: algoritmos genéticos (AG) e otimização por enxame de partículas (PSO). Como AG é uma técnica bastante conhecida e pesquisada em trabalhos anteriores, nos concentramos mais no desenvolvimento de abordagens baseadas no algoritmo PSO padrão para a seleção das características. Duas novas técnicas baseadas no PSO foram criadas e comparadas aos AGs. A avaliação dessas técnicas foram feitas através de três medidas de desempenho: erro de classificação (formado pelas taxas de falsa aceitação e falsa rejeição), tempo de processamento e taxa de redução dos conjuntos das características

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-07-25T19:46:45Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Ellen Polliana Ramos Souza.pdf: 1140564 bytes, checksum: 0afe0dc25ea5b10611d057c23af46dec (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-07-26T21:58:03Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Ellen Polliana Ramos Souza.pdf: 1140564 bytes, checksum: 0afe0dc25ea5b10611d057c23af46dec (MD5) / Made available in DSpace on 2018-07-26T21:58:03Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Ellen Polliana Ramos Souza.pdf: 1140564 bytes, checksum: 0afe0dc25ea5b10611d057c23af46dec (MD5) Previous issue date: 2017-02-22 / Opinion Mining (OM), also known as sentiment analysis, is the field of study that analyzes people’s sentiments, evaluations, attitudes, and emotions about different entities expressed in textual input. This is accomplished through the classification of an opinion into categories, such as positive, negative, or neutral. Supervised machine learning (ML) and lexicon-based are the most frequent approaches for OM. However, these approaches require considerable effort for preparing training data and to build the opinion lexicon, respectively. In order to address the drawbacks of these approaches, this Thesis proposes the use of unsupervised clustering approach for the OM task which is able to produce accurate results for several domains without manually labeled data for the training step or tools which are language dependent. Three swarm algorithms based on Particle Swarm Optimization (PSO) and Cuckoo Search (CS) are proposed: the DPSOMUT which is based on a discrete PSO binary version, the IDPSOMUT that is based on an Improved Self-Adaptive PSO algorithm with detection function, and the IDPSOMUT/CS that is a hybrid version of IDPSOMUT and CS. Several experiments were conducted with different corpora types, domains, text language, class balancing, fitness function, and pre-processing techniques. The effectiveness of the clustering algorithms was evaluated with external measures such as accuracy, precision, recall, and F-score. From the statistical analysis, it was possible to observe that the swarm-based algorithms, especially the PSO ones, were able to find better solutions than conventional grouping techniques, such as K-means and Agglomerative. The PSO-based algorithms achieved better accuracy using a word bigram pre-processing and the Global Silhouette as fitness function. The OBCC corpus is also another contribution of this Thesis and contains a gold collection with 2,940 tweets in Brazilian Portuguese with opinions of consumers about products and services. / A mineração de opinião, também conhecida como análise de sentimento, é um campo de estudo que analisa os sentimentos, opiniões, atitudes e emoções das pessoas sobre diferentes entidades, expressos de forma textual. Tal análise é obtida através da classificação das opiniões em categorias, tais como positiva, negativa ou neutra. As abordagens de aprendizado supervisionado e baseadas em léxico são mais comumente utilizadas na mineração de opinião. No entanto, tais abordagens requerem um esforço considerável para preparação da base de dados de treinamento e para construção dos léxicos de opinião, respectivamente. A fim de minimizar as desvantagens das abordagens apresentadas, esta Tese propõe o uso de uma abordagem de agrupamento não supervisionada para a tarefa de mineração de opinião, a qual é capaz de produzir resultados precisos para diversos domínios sem a necessidade de dados rotulados manualmente para a etapa treinamento e sem fazer uso de ferramentas dependentes de língua. Três algoritmos de agrupamento não-supervisionado baseados em otimização de partícula de enxame (Particle Swarm Optimization - PSO) são propostos: o DPSOMUT, que é baseado em versão discreta do PSO; o IDPSOMUT, que é baseado em uma versão melhorada e autoadaptativa do PSO com função de detecção; e o IDPSOMUT/CS, que é uma versão híbrida do IDPSOMUT com o Cuckoo Search (CS). Diversos experimentos foram conduzidos com diferentes tipos de corpora, domínios, idioma do texto, balanceamento de classes, função de otimização e técnicas de pré-processamento. A eficácia dos algoritmos de agrupamento foi avaliada com medidas externas como acurácia, precisão, revocação e f-medida. A partir das análises estatísticas, os algortimos baseados em inteligência coletiva, especialmente os baseado em PSO, obtiveram melhores resultados que os algortimos que utilizam técnicas convencionais de agrupamento como o K-means e o Agglomerative. Os algoritmos propostos obtiveram um melhor desempenho utilizando o pré-processamento baseado em n-grama e utilizando a Global Silhouete como função de otimização. O corpus OBCC é também uma contribuição desta Tese e contem uma coleção dourada com 2.940 tweets com opiniões de consumidores sobre produtos e serviços em Português brasileiro.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2013-12-09T17:01:17Z No. of bitstreams: 1 dissertacao_mestrado_ien_2009_04.pdf: 364384 bytes, checksum: 6cf84681f737a44ede3a92963b0caf3f (MD5) / Made available in DSpace on 2013-12-09T17:01:17Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2009_04.pdf: 364384 bytes, checksum: 6cf84681f737a44ede3a92963b0caf3f (MD5) Previous issue date: 2009 / Neste trabalho, um algoritmo de Otimização por Enxame de Partículas (PSO, do inglês “Particle Swarm Optimization”) é desenvolvido para aplicação na otimização de políticas de manutenção preventiva. A metodologia proposta que permite intervalos flexíveis entre manutenções, ao invés de considerar os períodos fixos, possibilita uma melhor adaptação dos agendamentos, a fim de lidar com as taxas de falha dos componentes em envelhecimento. Por outro lado, devido a essa flexibilidade, o planejamento de manutenção preventiva se torna uma tarefa difícil. Motivada pelo fato do PSO ter demonstrado ser muito competitivo em relação a outras ferramentas de otimização, este trabalho investiga a sua utilização como uma ferramenta alternativa de otimização. Considerando que o PSO trabalha em espaço real e contínuo, torna-se um desafio sua aplicação a um problema de otimização discreto considerando agendamentos onde a quantidade de intervenções pode ser variável. O PSO desenvolvido neste trabalho apresenta uma modelagem original que contorna tal dificuldade, permitindo a aplicação do mesmo ao problema proposto. O PSO proposto destina-se a pesquisa para a melhor política de manutenção e considera vários aspectos relevantes, tais como: i) a probabilidade de necessitar uma reparação (manutenção corretiva), ii) o custo de tais reparos, iii) tempos de parada típicos, iv) os custos de manutenção preventiva, v) o impacto da manutenção na confiabilidade dos sistemas como um todo, e vi) a probabilidade de manutenção imperfeita. A fim de avaliar a metodologia proposta, optou-se por investigar um sistema eletromecânico composto por três bombas e quatro válvulas, o “Sistema de Injeção à Alta Pressão (HPIS)’ de um reator nuclear tipo PWR. Os resultados demonstram que o PSO com a modelagem proposta é eficiente na busca ótima da manutenção preventiva para as políticas de manutenção preventiva para o HPIS. / In this work, a Particle Swarm Optimization Algorithm (PSO) is developed for preventive maintenance optimization. The proposed methodology, which allows the use flexible intervals between maintenance interventions, instead of considering fixed periods (as usual), allows a better adaptation of scheduling in order to deal with the failure rates of components under aging. Moreover, because of this flexibility, the planning of preventive maintenance becomes a difficult task. Motivated by the fact that the PSO has proved to be very competitive compared to other optimization tools, this work investigates the use of PSO as an alternative tool of optimization. Considering that PSO works in a real and continuous space, it is a challenge to use it for discrete optimization, in which schedulings may comprise variable number of maintenance interventions. The PSO model developed in this work overcome such difficulty. The proposed PSO searches for the best policy for maintaining and considers several aspects, such as: i) probability of needing repair (corrective maintenance), ii) the cost of such repairs, iii) typical outage times, iv) costs of preventive maintenance, v) the impact of maintaining the reliability of systems as a whole, and vi) the probability of imperfect maintenance. To evaluate the proposed methodology, we investigate an electro-mechanical system consists of three pumps and four valves, "High Pressure Injection System (HPIS) of a PWR. Results show that PSO is quite efficient in finding the optimum preventive maintenance policies for the HPIS.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2014-01-15T11:33:15Z No. of bitstreams: 1 dissertacao_mestrado_ien_2006_02.pdf: 387445 bytes, checksum: 255065d79e3220f3ddfa7c2492d6f253 (MD5) / Made available in DSpace on 2014-01-15T11:33:15Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2006_02.pdf: 387445 bytes, checksum: 255065d79e3220f3ddfa7c2492d6f253 (MD5) Previous issue date: 2006 / Este trabalho apresenta uma nova abordagem para resolução de problemas de maximização da disponibilidade em sistemas eletro-mecânicos, submetidos a políticas de testes periódicos para supervisão e inspeção. A nova abordagem utiliza ferramenta de otimização recém desenvolvida, Particle Swarm Optimization (PSO) criada por Kennedy e Eberhart (2001), integrada a modelos probabilísticos. São resolvidos dois problemas envolvendo otimização de políticas de manutenção, o primeiro utiliza um sistema eletromecânico clássico hipotético, e o segundo utiliza o sistema de geradores a diesel de emergência da planta nuclear de Angra 1. Para ambos os casos, o PSO é comparado com o algoritmo genético (AG). Nos experimentos realizados, o PSO foi capaz de obter resultados comparáveis aos do AG, ou até, ligeiramente superiores. Entretanto, o algoritmo do PSO é mais simples e a convergência mais rápida, apontando para uma boa alternativa para solução desta classe de problemas. / This work shows a new approach to solve availability maximization problems in electromechanical systems, under periodic preventive schedules tests. This approach uses a new optimization tool called PSO developed by Kennedy and Eberhart (2001), Particle Swarm Optimization, integrated with probabilistic safety analisys model. Two maintenance optimization problems are solved by the proposed technique, the first one is a hypothetical electromechanical configuration and the second one is a real clase from a nuclear power plant (Emergency Diesel Generators). For both problem PSO is compared to a genetic algorithm (GA). In the experiments made, PSO was able to obtain results comparable or even slightly better than those obtained GA. Therefore, the PSO algorithm is simpler and it´s convergence is faster, indicating that PSO is a good alternative for solving such kind of problems

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:03:02Z No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T13:13:38Z (GMT) No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T13:13:38Z (GMT). No. of bitstreams: 2 Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-22 / Vem sendo dada grande atenção às Máquinas de Vetores de Suporte (SVMs) devido à sua fundamentação teórica e seu bom desempenho quando comparadas a outros algoritmos de aprendizado em diferentes aplicações. Porém, seu bom desempenho depende fortemente da escolha adequada de seus parâmetros de controle. Como a abordagem de tentativa e erro se torna impraticável devido às combinações entre os possíveis valores dos parâmetros, a seleção de parâmetros passou a ser tratada como um problema de otimização, de modo que o objetivo é encontrar a combinação de valores dos parâmetros mais adequada para um determinado problema. Embora a utilização de algoritmos de otimização e busca automatizem a seleção de parâmetros de SVM, ela pode se tornar inviável caso o número de parâmetros a serem selecionados aumente consideravelmente. Uma alternativa é o uso de Meta-Aprendizado (MA), que trata a tarefa de seleção de parâmetros como uma tarefa de aprendizado supervisionado. Cada exemplo de treinamento para o MA (meta-exemplo) armazena características de problemas passados e o desempenho obtido pelas configurações de parâmetros candidatas. Este conjunto de meta-exemplos forma a meta-base, sendo esta utilizada para auxiliar no módulo de sugestão ou meta-aprendiz. O meta-aprendiz tem a função de prever as configurações de parâmetros mais adequadas para um problema novo baseado em suas características. Deste modo, MA se torna uma alternativa menos custosa comparada aos algoritmos de otimização, pois faz uso de execuções passadas no processo de sugestão. Neste trabalho, as sugestões do meta-aprendiz são utilizadas como soluções iniciais da técnica de busca, sendo esta responsável pelo refinamento das soluções sugeridas. Neste trabalho, foi criada uma arquitetura híbrida multi-objetivo, que combina MA com algoritmos de otimização, inspirados em enxames de partículas, com múltiplos objetivos aplicado ao problema de seleção de parâmetros de SVMs. Os algoritmos de otimização utilizados no experimento foram: MOPSO, MOPSO-CDR, MOPSO-CDRS, CSS-MOPSO, m-DNPSO e MOPSO-CDLS, e os objetivos levados em consideração foram: maximização da taxa de acerto na classificação e minimização do número de vetores de suporte. De acordo com os resultados alcançados, ficou comprovado o potencial do MA na sugestão de soluções para os algoritmos de otimização. O início da busca em regiões promissoras favoreceu a convergência e geração de soluções ainda melhores, quando comparada a aplicação de algoritmos de busca tradicionais. Os Pareto fronts gerados foram analisado em 4 perspectivas (spacing, max. spread, hypervolume e coverage), sendo os resultados da abordagem híbrida superiores aos das técnicas de otimização tradicionais.

Made available in DSpace on 2014-06-12T15:49:31Z (GMT). No. of bitstreams: 2 arquivo1252_1.pdf: 1197397 bytes, checksum: 95159c131dcb5fed48e21ab1ea96a5ef (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Seleção automática de casos de teste (CTs) é uma tarefa importante para melhora da eficiência das atividades de Testes de Software. Essa tarefa pode ser tratada como um problema de otimização, cujo objetivo é encontrar um subconjunto de CTs que maximizem um dado critério de teste. No nosso trabalho, o critério de testes é a cobertura de requisitos funcionais formalmente especificados, e, além dele, o custo (esforço de execução) também é levado em consideração no processo de seleção. Mesmo sendo um aspecto importante, o esforço de execução ainda é negligenciado por outros trabalhos na área de seleção automática de CTs. Nesse trabalho, utilizamos o algoritmo conhecido como como Otimização por Enxame de Partículas (Particle Swarm Optimization - PSO), ainda não investigado na resolução desse tipo de problema, para criação de uma ferramenta de seleção automática de CTs. Nela, o esforço de execução é utilizado como um limiar no processo de seleção, onde, dada uma suíte de testes, busca-se selecionar um subconjunto de casos de testes que não ultrapassem esse limiar e que maximizem a cobertura de requisitos funcionais. Para tanto, o esforço de execução foi considerado uma restrição ao problema de otimização e a cobertura de requisitos como a função de fitness. Nessa ferramenta, sete módulos (que implementavam outras técnicas de busca), foram desenvolvidos e seus desempenhos comparados através de experimentos onde foi possível oberservar o bom desempenho do PSO se comparado às outras técnicas

Made available in DSpace on 2014-06-12T15:51:33Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão

Made available in DSpace on 2014-06-12T15:51:59Z (GMT). No. of bitstreams: 2 arquivo3006_1.pdf: 934448 bytes, checksum: cfaf4b35b4e186dc40f91523ebe587bf (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os Sistemas de Múltiplos Classificadores (também conhecidos como Comitês de Classificadores) podem usar a combinação ou a seleção de hipóteses dos diferentes membros para determinar a hipótese de solução para um dado problema. O método de combinação de hipóteses é mais difundido, sendo possível encontrar diferentes estratégias que aprimoraram o seu desempenho desde a sua concepção. Por outro lado, o método de seleção não possui tantos avanços quanto o método de combinação, embora o seu potencial já tenha sido comprovado em trabalhos da literatura. A construção de sistemas de múltiplos classificadores usando o método de seleção envolve a busca pela estratégia de seleção, que pode ser através do agrupamento dos dados de treinamento e seleção de classificadores especializados nos dados de cada grupo encontrado. Os aprimoramentos realizados no método de seleção de classificadores ocorrem para a definição da estratégia de seleção, normalmente executada por um método manual. Por outro lado, os melhores aprimoramentos do método de combinação de classificadores foram obtidos com o uso de métodos evolucionários (automáticas) para o ajuste de parâametros. Devido à ausência da hibridização com métodos evolucionários para o aprimoramento do método de seleção; às dificuldades inerentes ao trabalho por tentativa e erro em atividades de busca e para avançoo do conhecimento sobre o potencial do método de seleção, faz-se necessária uma exploração do potencial do método de seleção usando métodos de busca evolucionários. Este trabalho explora a construção automática de sistemas de múltiplos classificadores usando o método de seleção. Nesta tese é proposto um novo método, que emprega a Otimização por Exame de Partículas e Evolução Diferencial acoplada ao Algoritmo Genético, utilizado para o aprimoramento da estratégia de seleção de classificadores. A combinação com métodos evolucionários tem o objetivo de explorar o potencial do método de seleção de classificadores, apresentando os benefícios de sua hibridização com métodos de busca evolucionários. A estratégia de seleção de classificadores adotada é composta por uma fase de agrupamento dos dados de treinamento e outra de busca por classificadores especializados para cada grupo de dados encontrado. Os experimentos realizados utilizaram os métodos K-médias e Mapas Auto-Organizáveis na fase de agrupamento e Redes Neurais Artificiais Lineares e Perceptrons de múltiplas camadas na fase de classificação. Algoritmos Evolucionários foram usados (Otimização por Exame de Partículas com ajuste dinâmico de parâmetros e Evolução Diferencial integrada a um Algoritmo Genético) no presente trabalho, com o propósito de otimizar os parâmetros e desempenho das diferentes técnicas empregadas nas fases de agrupamento e classificação. Os resultados experimentais mostraram que o método proposto possui um melhor desempenho quando comparado aos métodos manuais e supera de forma significativa a maioria dos métodos comumente usados para a construção de sistemas de múltiplos classificadores

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-06-26T21:01:34Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Jeydson Lopes da Silva.pdf: 5014155 bytes, checksum: 7b7d71a2247ab166650f14e229d29d1f (MD5) / Made available in DSpace on 2018-06-26T21:01:35Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Jeydson Lopes da Silva.pdf: 5014155 bytes, checksum: 7b7d71a2247ab166650f14e229d29d1f (MD5) Previous issue date: 2017-02-20 / FACEPE / A energia elétrica é considerada como um dos principais insumos do setor industrial; sua disponibilidade, qualidade e custo são diretamente ligados à capacidade competitiva deste setor. Com o aumento dos custos da eletricidade e da emissão de gases causadores do efeito estufa, ações voltadas para o uso eficiente deste insumo tornam-se cada vez mais atrativas. Uma parte muito importante da área de controle e automação dos processos industriais é a sintonia dos controladores PID, uma vez que os processos, dentre outras coisas, dependem dos seus controladores, e estes para serem produtivos precisam estar bem sintonizados. O presente trabalho descreve uma maneira de sintonizar desses tipos de controladores baseada em inteligência artificial utilizando uma técnica de otimização evolutiva, conhecida como Otimização por Enxame de Partícula (PSO), técnica eficiente na otimização de funções com vários mínimos locais, funcionando desta forma como uma alternativa às diversas formas de sintonizações clássicas existentes. O objetivo deste trabalho é o de demonstrar o ganho em desempenho no controlador, tanto na parte energética como na ação de controle, proporcionado pela sintonia do controlador através do PSO. Uma parte importante da metodologia deste trabalho é a possibilidade da implementação direta no sistema real dos parâmetros sintonizados do controlador, encontrados por meio da otimização por PSO via simulação computacional; para isso, foi necessária a modelagem do sistema de forma digital, a qual permitiu reproduzir os efeitos da dinâmica do processo real. A implementação real foi feita por meio do protótipo de um sistema de exaustão industrial, o qual é todo controlado por um controlador lógico programável (CLP), localizado no Laboratório de Sistemas Motrizes da Universidade Federal de Pernambuco, a partir do qual foi realizada a coleta de dados experimentais para a análise do desempenho do sistema quando do uso deste tipo de sintonia do controlador. / Electricity is considered as one of the main inputs of the industrial sector; its availability, quality and cost are directly related to the competitive capacity of this sector. With rising costs of electricity and the emission of greenhouse gases, actions aimed at the efficient use of this input become increasingly attractive. A very important part of the area of control and automation of industrial processes is the tuning of the parameters of the PID controllers, since the processes, among other things, depend on their controllers, and these to be productive must be well tuned. The present work describes a way of tuning these types of controllers based on artificial intelligence using an evolutionary optimization technique, known as Particle Swarm Optimization (PSO), an efficient technique for optimizing functions with several local minimums, working in this way as a different form of classical tuning. The objective of this work is to demonstrate the gain in performance in the controller, both in the energy part and in the control action, provided by the controller tuning through the PSO. An important part of the methodology of this work is the possibility of directly implementing in the real system the tuned parameters of the controller, found by means of PSO optimization through computational simulation; for this it was necessary to model the system in digital form, which allowed to reproduce the effects of the actual process dynamics. The actual implementation was done through the prototype of an industrial exhaust system, which is all controlled by means of a PLC, located in the Laboratory of Motor Systems of the Federal University of Pernambuco, from which the collection of experimental data for the analysis of the performance of the system when using this type of controller tuning.

Submitted by Almir Azevedo (barbio1313@gmail.com) on 2014-01-15T12:48:16Z No. of bitstreams: 1 dissertacao_mestrado_ien_2008_04.pdf: 1317159 bytes, checksum: c510f22d0bfa406fdceeb4cdbb80e43f (MD5) / Made available in DSpace on 2014-01-15T12:48:16Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_ien_2008_04.pdf: 1317159 bytes, checksum: c510f22d0bfa406fdceeb4cdbb80e43f (MD5) Previous issue date: 2008 / O projeto de modelos em escala reduzida tem sido empregada por engenheiros de vários setores como indústria naval, indústria aeroespacial, petrolífera, indústria nuclear e outras. Modelos em escala reduzida são usados em experimentos porque são economicamente mais atraentes do que seus próprios protótipos (escala real), e em muitos casos também são mais baratos e, na maioria das vezes, mais fáceis de serem construídos fornecendo uma maneira de se conduzir o projeto em escala real permitindo investigações e análises indiretas no sistema em escala real. Um modelo em escala reduzida (ou experimento) deve ser capaz de representar todos os fenômenos físicos que ocorrem e ocorrerão no sistema real em condições de operação, neste caso o modelo em escala reduzida é dito similar. Existem alguns métodos para se projetar um modelo em escala reduzida, e destes, dois métodos são básicos : o método empírico que é baseado na habilidade do profissional especialista para determinar quais são as grandezas físicas relevantes para o modelo desejado, e o método das equações diferenciais que é baseado na descrição matemática do protótipo (ou experimento em escala real) para o modelo. Aplicando uma técnica matemática à equação ou equações diferenciais que descrevem o comportamento do protótipo a partir de leis físicas e assim ressaltando as grandezas físicas (quantidades) relevantes para o problema do projeto do modelo em escala reduzida, e assim o problema pode ser tratado como um problema de otimização. Muitas técnicas de otimização como Algoritmo Genético, por exemplo, tem sido desenvolvidas para solucionar esta classe de problemas e tem também sido aplicadas ao projeto do modelo em escala reduzida. Neste trabalho, é realizada a investigação do uso da técnica de otimização por enxame de partículas, como ferramenta (alternativa) de otimização, no projeto termohidráulico do núcleo de reator PWR em escala reduzida, em regime de circulação forçada e condições normais de operação. Uma comparação de desempenho entre as técnicas GA e PSO é realizada assim como uma comparação entre seus resultados. Os resultados obtidos mostram que a técnica de otimização investigada é uma ferramenta promissora para o projeto de experimentos ou equipamentos em escala reduzida, apresentando vantagens sobre outras técnicas. / The reduced scale models design have been employed by engineers from several different industries fields such as offshore, spatial, oil extraction, nuclear industries and others. Reduced scale models are used in experiments because they are economically attractive than it’s own prototype (real scale) because in many cases they are cheaper than a real scale one and most of time they are also easier to build providing a way to lead the real scale design allowing indirect investigations and analysis to the real scale system (prototype). A reduced scale model (or experiment) must be able to represent all physical phenomena that occurs and further will do in the real scale one under operational conditions, e.g., in this case the reduced scale model is called similar. There are some different methods to design a reduced scale model and from those two are basic : the empiric method based on the expert’s skill to determine which physical measures are relevant to the desired model; and the differential equation method that is based on a mathematical description of the prototype (real scale system) to model. Applying a mathematical technique to the differential equation that describes the prototype then highlighting the relevant physical measures so the reduced scale model design problem may be treated as an optimization problem. Many optimization techniques as Genetic Algorithm (GA), for example, have been developed to solve this class of problems and have also been applied to the reduced scale model design problem as well. In this work, Particle Swarm Optimization (PSO) technique is investigated as an alternative optimization tool for such problem. In this investigation a computational approach, based on particle swarm optimization technique (PSO), is used to perform a reduced scale two loop Pressurized Water Reactor (PWR) core, considering 100% of nominal power operation on a forced flow cooling circulation and non-accidental operating conditions. A performance comparison between GA and PSO techniques is performed as it’s obtained results to this problem. Obtained results shows that the proposed optimization technique (PSO) is a promising tool for a reduced scale experiments or equipments design, presenting advantages over other techniques.