Este trabalho apresenta uma aplicação de redes neurais artificiais (RNAs) na proteção diferencial de transformadores de potência, como um método para distinguir formas de onda que podem confundir a operação do relé. Vários fatores como, por exemplo, as situações de energização do transformador, podem causar uma má operação do dispositivo de proteção. Com o objetivo de melhoramento na proteção diferencial digital de transformadores de potência, desenvolveu-se um sistema completo de proteção, incluindo um dispositivo com base em RNAs, em substituição à filtragem harmônica dos sinais, existentes no algoritmo convencional. Com a referida adição de RNAs em um algoritmo completo de proteção diferencial de transformadores, obteve-se uma solução bastante precisa e eficiente, capaz de responder em um tempo reduzido, se comparada aos métodos convencionais. / This work presents an application of artificial neural networks (ANNs) in differential protection of transformers as an alternative method to distinguish among wave forms which can cause malfunction to the relay. One of the several factors that can cause malfunction is the inrush current present when the transfonner is energized. In order to improve the differential protection of the power transformers, the authors added a neural network routine to the conventional differential protection algorithm, in substitution to the filtering of the harmonic signals found on the traditional algorithm. By making this option, the authors obtained a more effective and precise solution, compared to the conventional methods.

Este trabalho apresenta um esquema de proteção direcional para sistemas de transmissão, baseado na utilização de redes neurais artificiais, tentando solucionar as principais limitações dos esquemas então existentes. As redes neurais artificiais constituem uma nova ferramenta para a proteção, onde várias das limitações apresentadas pelos esquemas convencionais podem ser solucionadas. A escolha desta abordagem para a proteção das linhas de transmissão é uma decisão fundamentada principalmente na capacidade de generalização e abstração inerentes às redes neurais artificiais. Estas características, se bem exploradas, podem prover uma alta qualidade de resposta, aliada a uma elevada velocidade de decisão. Outro fator de interesse é que, dependendo de como se realizar o treinamento da rede, poderia gerar-se metodologias de proteção capaz de suportar com eficiência mudanças na configuração do sistema. Isto geraria possibilidade de diagnósticos de falta com adequada confiabilidade que por sua vez não dependeria da configuração do sistema em si. O esquema de proteção proposto, foi simulado utilizando os softwares Alternative Transients Program (ATP) e Stuttgart Neural Network Simulator (SNNS). Também programas em Fortran foram desenvolvidos (filtro digital, reamostragem, identificação do ponto de ocorrência de falta, etc.) de forma a se representar adequadamente as condições reais de funcionamento do esquema de proteção. Testes simulando as mais diversas condições de falta foram realizados, de forma a se verificar a eficiência do esquema proposto. Os resultados demonstraram a capacidade da metodologia proposta de analisar corretamente os padrões provenientes de situações faltosas mesmo quando não vistas na fase de treinamento. Desta forma configurou-se um alto grau de generalização e abstração do esquema. / This work presents a directional protection scheme for transmission systems, that uses artificial neural networks, and try to solve the main limitations of existing schemes. The artificial neural networks are a new tool for protection, were many of the limitations of conventional schemes can be solved. The choice of this approach for transmission fines protection is a decision based mainly on the capability of generalization and abstraction inherent to the artificial neural networks. These characteristics, if well explored, can provide a response of high quality, together with a high speed of decision. Another interesting Jactar is that, depending on how the learning on the artificial neural network is made, it can generate a protection methodology capable of supporting efficiently changes on the system configuration. This can generate reliable fault diagnostics, which is independent on network configuration. The proposed protection scheme was simulated using softwares like \"Alternative Transients Program\" (ATP) and \"Stuttgart Neural Network Simulator\" (SNNS). Other programs were written in Fortran (digital filter, resampling of data, fault poinf identification, etc.) in a way to correctly represent the real working conditions of the protection scheme. Tests simulating several fault conditions were made, in a way to verify the efficiency of the proposed scheme. The results demonstrate the capability of the proposed methodology of correctly analyzing the patterns generated from fault conditions even when not seen on the learning stage. In that way a high degree of generalization and abstraction of the scheme were configured.

A monitoração de variáveis e o diagnóstico de falhas é um aspecto importante a se considerar seja em plantas nucleares ou indústrias de processos, pois um diagnóstico precoce de falha permite a correção do problema proporcionando a não interrupção da produção e a segurança do operador e, assim, não causando perdas econômicas. O objetivo deste trabalho é, dentro do universo de todas as variáveis monitoradas de um processo, construir um conjunto de variáveis, não necessariamente mínimo, que será a entrada de uma rede neural e, com isso, conseguir monitorar, o maior número possível de variáveis. Esta metodologia foi aplicada ao reator de pesquisas IEA-R1 do IPEN. Para isso, as variáveis Potência do reator, Vazão do primário, Posição de barras de controle/segurança e Diferença de pressão no núcleo do reator D P, foram agrupadas, pois por hipótese quase todas as variáveis monitoradas em um reator nuclear tem relação com alguma dessas ou pode ser resultado da interação de duas ou mais. Por exemplo, a Potência está relacionada ao aumento e diminuição de algumas temperaturas bem como à quantidade de radiação devido à fissão do urânio; as Barras são reguladoras de potência e, por conseqüência podem influenciar na quantidade de radiação e/ou temperaturas; a Vazão do Circuito Primário, responsável pelo transporte de energia e pela conseqüente retirada de calor do núcleo. Assim, tomando o grupo de variáveis mencionadas, calculamos a correlação existente entre este conjunto B e todas as outras variáveis monitoradas (coeficiente de correlação múltipla), isto é, através do cálculo da correlação múltipla, que é uma ferramenta proposta pela teoria das Correlações Canônicas, foi possível calcular o quanto o conjunto B pode predizer cada uma das variáveis monitoradas. Uma vez que não seja possível uma boa qualidade de predição com o conjunto B, é acrescentada uma ou mais variáveis que possuam alta correlação com a variável melhorando a qualidade de predição. Finalmente, uma rede pode ser treinada com o novo conjunto e os resultados quanto a monitoração foram bastante satisfatórios quanto às 64 variáveis monitoradas pelo sistema de aquisição de dados do reator IEA-R1 através de sensores e atuadores , pois com um conjunto de 9 variáveis foi possível monitorar 51 variáveis. / The monitoring of variables and diagnosis of sensor fault in nuclear power plants or processes industries is very important because an early diagnosis allows the correction of the fault and, like this, do not cause the production interruption, improving operators security and its not provoking economics losses. The objective of this work is, in the whole of all variables monitor of a nuclear power plant, to build a set, not necessary minimum, which will be the set of input variables of an artificial neural network and, like way, to monitor the biggest number of variables. This methodology was applied to the IEA-R1 Research Reactor at IPEN. For this, the variables Power, Rate of flow of primary circuit, Rod of control/security and Difference in pressure in the core of the reactor ( D P) was grouped, because, for hypothesis, almost whole of monitoring variables have relation with the variables early described or its effect can be result of the interaction of two or more. The Power is related to the increasing and decreasing of temperatures as well as the amount radiation due fission of the uranium; the Rods are controls of power and influence in the amount of radiation and increasing and decreasing of temperatures and the Rate of flow of primary circuit has function of the transport of energy by removing of heat of the nucleus Like this, labeling B= {Power, Rate of flow of Primary Circuit, Rod of Control/Security and D P} was computed the correlation between B and all another variables monitoring (coefficient of multiple correlation), that is, by the computer of the multiple correlation, that is tool of Theory of Canonical Correlations, was possible to computer how much the set B can predict each variable. Due the impossibility of a satisfactory approximation by B in the prediction of some variables, it was included one or more variables that have high correlation with this variable to improve the quality of prediction. In this work an artificial neural network was trained and the results were satisfactory since the IEA-R1 Data Acquisition System reactor monitors 64 variables and, with a set of 9 input variables resulting from the correlation analysis, it was possible to monitor 51 variables using neural networks.

Os estudos na área de Monitoração e Diagnóstico de Falhas têm sido estimulados devido ao aumento crescente em qualidade, confiabilidade e segurança nos processos de produção, onde a interrupção da produção por alguma anomalia imprevista pode colocar em risco a segurança do operador, além de provocar perdas econômicas, aumentando os custos com a reparação de algum equipamento danificado. Tendo em vista estes dois fatores, o fator econômico e a própria questão de segurança do operador, torna-se necessário a implementação de Sistemas de Monitoração e Detecção de Falhas. Neste trabalho foi desenvolvido um Sistema de Monitoração e Detecção de Falhas usando a metodologia de Redes Neurais Artificiais que foi aplicado ao reator de pesquisas IEA-R1. O desenvolvimento deste sistema foi dividido em três etapas: sendo a primeira etapa dedicada à monitoração, a segunda a detecção, e a terceira ao diagnóstico de falhas. Na primeira etapa, foram treinadas diversas Redes Neurais Artificiais para a monitoração das variáveis de temperatura, potência e taxa de dose. Para tanto foram utilizadas duas bases dados: uma contendo dados gerados por um modelo teórico do reator, e outra contendo dados referentes a uma semana típica de operação. Na segunda etapa, as redes treinadas para realizar a monitoração das variáveis, foram testadas com uma base de dados contendo falhas inseridas artificialmente nos sensores de temperatura. Como o limite máximo de erro de calibração para termopares especiais é de , foram inseridas falhas de ± nos sensores responsáveis pela leitura das variáveis T3 e T4. Na terceira etapa foi desenvolvido um Sistema Fuzzy para realizar o diagnóstico de falhas, onde foram consideradas 3 condições possíveis de falhas: condição normal, falha de −, e falha de , sendo que o sistema desenvolvido indicará qual o sensor de temperatura está com falha. Cº5,0±Cº1Cº1Cº1+ / The increasing demand on quality in production processes has encouraged the development of several studies on Monitoring and Diagnosis Systems in industrial plant, where the interruption of the production due to some unexpected change can bring risk to the operator\'s security besides provoking economic losses, increasing the costs to repair some damaged equipment. Because of these two points, the economic losses and the operator\'s security, it becomes necessary to implement Monitoring and Diagnosis Systems. In this work, a Monitoring and Diagnosis Systems was developed based on the Artificial Neural Networks methodology. This methodology was applied to the IEA-R1 research reactor at IPEN. The development of this system was divided in three stages: the first was dedicated to monitoring, the second to the detection and the third to diagnosis of failures. In the first stage, several Artificial Neural Networks were trained to monitor the temperature variables, nuclear power and dose rate. Two databases were used: one with data generated by a theoretical model and another one with data to a typical week of operation of the IEA-R1 reactor. In the second stage, the neural networks used to monitor the variables was tested with a fault database. The faults were inserted artificially in the sensors signals. As the value of the maximum calibration error for special thermocouples is , it had been inserted faults of in the sensors for the reading of the variables T3 and T4. In the third stage a Fuzzy System was developed to carry out the faults diagnosis, where were considered three conditions: a normal condition, a fault of , and a fault of . This system will indicate which thermocouple is faulty. Cº5,0±Cº1Cº1±−Cº1+

Este trabalho apresenta os resultados obtidos na elaboração de dois modelos para o fenômeno da dor utilizando-se redes neurais artificiais, de forma a simular computacionalmente as prováveis respostas de um indivíduo na presença de dor. Os modelos são fundamentados na Teoria de Controle da Comporta de dor, onde são analisados os principais componentes envolvidos na percepção/inibição da dor, bem como o funcionamento dos mecanismos biológicos e cognitivos participantes do processo. A escolha do tipo de rede neural é feita a partir das observações realizadas, considerando-se também o número de fatores envolvidos e o comportamento esperado frente a cada conjunto de entrada. O método de treinamento das redes neurais baseia-se no algoritmo de retropropagação. O foco do processamento da rede é responder adequadamente, considerando-se a influência das entradas envolvidas, a eventos posteriores à ocorrência de uma lesão gerando um sinal de alerta a ser utilizado como uma resposta natural do organismo a este dano tecidual. O desempenho de cada modelo é avaliado comparando-se as saídas obtidas com aquelas esperadas para cada padrão de entrada. / This work presents the results of two models that were developed to describe the phenomenon of pain using Artificial Neural Networks, with the final goal to simulate computationally possible answers of an individual in the presence of pain. The models are based on The Gate Control Theory, where the main components involved in the perception/inhibition of pain were analysed, as well as the operation of the biological and cognitive mechanisms involved in the process. The type of neural network was chosen based on accumulated knowledge, considering also the number of involved factors and the expected behaviour response to each set of patterns. The neural networks were trained based on the backpropagation algorithm. The major focus of the network processing was to answer adequately to the occurrence of an injury, considering the role of the involved inputs, and generating an alert signal to this tecidual damage, which could replace the natural reply of the organism. The performance of each model is evaluated comparing the outputs obtained with those expected for each pattern.

Este trabalho apresenta uma metodologia para predição da distribuição de pressão sobre uma asa bi-trapezoidal genérica usando redes neurais artificiais. O toolbox de redes neurais do MatLab® foi utilizado para o treinamento e validação das redes neurais e os conjuntos de treinamentos foram obtidos por meio do software BLWF® versão 28 (Boundary Layer Wing-Fuselage) um código CFD (Computacional Fluid Dynamics) de potencial completo com correção de camada limite. Levando em consideração o nível de complexidade do problema, optou-se por dividir o estudo em três etapas de desenvolvimento. Inicialmente, uma rede neural foi treinada considerando apenas as variáveis de condição de voo e de forma em planta. Resultados promissores motivaram a criação de uma segunda rede neural, mais genérica, na qual foram adicionadas variáveis de três perfis distribuídos ao longo da asa. Porém apenas um desses perfis era variável enquanto que os demais eram parametrizados com relação à este perfil. Criou-se, por fim, uma rede neural ainda mais genérica, desta vez atentando também para as variáveis dos três perfis de modo independente. Os resultados obtidos mostram que esta metodologia pode ser usada como interessante ferramenta para obtenção de distribuição de pressão, especialmente em projetos de MDO (Multi-Disciplinary Optimization), uma vez que ela possibilita uma predição rápida, precisa e de fácil automatização de pressão em uma asa genérica. / This work shows a method for predicting pressure distribution over a generic bi-trapezoidal wing using artificial neural networks. The MatLab® Neural Network Toolbox was used for the neural network implementation and the training set was obtained using the BLWF® version 28 (Boundary Layer Wing-Fuselage), a full potential CFD (Computational Fluid Dynamics) code with boundary layer correction. The work was divided in three development phase, according with the problem complexibibility level. Initially, a neural network considering only flight conditions and plan form variables was trained. Promising results motivated the generation of a more generic neural network, considering also parameters of three airfoils distributed along the wing spanwise and chordwise. However only one airfoil was variable, the two other were parametrized in relation to the variable airfoil. At last, an even more generic neural network was generated, this time considering also the variables of the three profiles independently. The results show that this methodology can be successfully used as an interesting tool to obtain the pressure distribution, especially on the solution of MDO (Multi-Disciplinary Optimization) problems, since it allows fast prediction, automation facility and accurate measuring of the pressure distribution under a generic wing.

Made available in DSpace on 2016-08-10T10:40:32Z (GMT). No. of bitstreams: 1 RICARDO RODRIGUES DIAS DE LIMA.pdf: 1183450 bytes, checksum: 421433f25aa52b90f44228bd59fbc1fc (MD5) Previous issue date: 2014-03-26 / The purpose of this study is to test econometric methods and artificial intelligence to the problem of time series forecasting, in particular neural network and multiple linear regression with Delta rule. With such designs are intended to provide a step forward in the production of the manufacturing industry in the State of Goiás errors of the estimates in all models are compared with the normality test to validate the adequacy of the model. Finally, the models are compared using R2, mean square error, MAPE and standard deviation to identify the best model and suitable for the prediction of production manufacturing method. / O propósito deste trabalho é testar métodos econométricos e de inteligência artificial para o problema de previsão de séries temporais, em especial regressão linear múltipla e rede neural com regra Delta. Com tais modelos pretende-se prever um passo a frente à produção da indústria de transformação do Estado de Goiás. Os erros das estimativas em todos os modelos são comparados com o teste de normalidade para validar a adequação do modelo. Ao final, os modelos são comparados utilizando, erro quadrático médio, MAPE e desvio padrão para identificar o melhor modelo e método adequado para a predição da produção da indústria de transformação.

A monitoração de variáveis e o diagnóstico de falhas é um aspecto importante a se considerar seja em plantas nucleares ou indústrias de processos, pois um diagnóstico precoce de falha permite a correção do problema proporcionando a não interrupção da produção e a segurança do operador e, assim, não causando perdas econômicas. O objetivo deste trabalho é, dentro do universo de todas as variáveis monitoradas de um processo, construir um conjunto de variáveis, não necessariamente mínimo, que será a entrada de uma rede neural e, com isso, conseguir monitorar, o maior número possível de variáveis. Esta metodologia foi aplicada ao reator de pesquisas IEA-R1 do IPEN. Para isso, as variáveis Potência do reator, Vazão do primário, Posição de barras de controle/segurança e Diferença de pressão no núcleo do reator D P, foram agrupadas, pois por hipótese quase todas as variáveis monitoradas em um reator nuclear tem relação com alguma dessas ou pode ser resultado da interação de duas ou mais. Por exemplo, a Potência está relacionada ao aumento e diminuição de algumas temperaturas bem como à quantidade de radiação devido à fissão do urânio; as Barras são reguladoras de potência e, por conseqüência podem influenciar na quantidade de radiação e/ou temperaturas; a Vazão do Circuito Primário, responsável pelo transporte de energia e pela conseqüente retirada de calor do núcleo. Assim, tomando o grupo de variáveis mencionadas, calculamos a correlação existente entre este conjunto B e todas as outras variáveis monitoradas (coeficiente de correlação múltipla), isto é, através do cálculo da correlação múltipla, que é uma ferramenta proposta pela teoria das Correlações Canônicas, foi possível calcular o quanto o conjunto B pode predizer cada uma das variáveis monitoradas. Uma vez que não seja possível uma boa qualidade de predição com o conjunto B, é acrescentada uma ou mais variáveis que possuam alta correlação com a variável melhorando a qualidade de predição. Finalmente, uma rede pode ser treinada com o novo conjunto e os resultados quanto a monitoração foram bastante satisfatórios quanto às 64 variáveis monitoradas pelo sistema de aquisição de dados do reator IEA-R1 através de sensores e atuadores , pois com um conjunto de 9 variáveis foi possível monitorar 51 variáveis. / The monitoring of variables and diagnosis of sensor fault in nuclear power plants or processes industries is very important because an early diagnosis allows the correction of the fault and, like this, do not cause the production interruption, improving operators security and its not provoking economics losses. The objective of this work is, in the whole of all variables monitor of a nuclear power plant, to build a set, not necessary minimum, which will be the set of input variables of an artificial neural network and, like way, to monitor the biggest number of variables. This methodology was applied to the IEA-R1 Research Reactor at IPEN. For this, the variables Power, Rate of flow of primary circuit, Rod of control/security and Difference in pressure in the core of the reactor ( D P) was grouped, because, for hypothesis, almost whole of monitoring variables have relation with the variables early described or its effect can be result of the interaction of two or more. The Power is related to the increasing and decreasing of temperatures as well as the amount radiation due fission of the uranium; the Rods are controls of power and influence in the amount of radiation and increasing and decreasing of temperatures and the Rate of flow of primary circuit has function of the transport of energy by removing of heat of the nucleus Like this, labeling B= {Power, Rate of flow of Primary Circuit, Rod of Control/Security and D P} was computed the correlation between B and all another variables monitoring (coefficient of multiple correlation), that is, by the computer of the multiple correlation, that is tool of Theory of Canonical Correlations, was possible to computer how much the set B can predict each variable. Due the impossibility of a satisfactory approximation by B in the prediction of some variables, it was included one or more variables that have high correlation with this variable to improve the quality of prediction. In this work an artificial neural network was trained and the results were satisfactory since the IEA-R1 Data Acquisition System reactor monitors 64 variables and, with a set of 9 input variables resulting from the correlation analysis, it was possible to monitor 51 variables using neural networks.

Os estudos na área de Monitoração e Diagnóstico de Falhas têm sido estimulados devido ao aumento crescente em qualidade, confiabilidade e segurança nos processos de produção, onde a interrupção da produção por alguma anomalia imprevista pode colocar em risco a segurança do operador, além de provocar perdas econômicas, aumentando os custos com a reparação de algum equipamento danificado. Tendo em vista estes dois fatores, o fator econômico e a própria questão de segurança do operador, torna-se necessário a implementação de Sistemas de Monitoração e Detecção de Falhas. Neste trabalho foi desenvolvido um Sistema de Monitoração e Detecção de Falhas usando a metodologia de Redes Neurais Artificiais que foi aplicado ao reator de pesquisas IEA-R1. O desenvolvimento deste sistema foi dividido em três etapas: sendo a primeira etapa dedicada à monitoração, a segunda a detecção, e a terceira ao diagnóstico de falhas. Na primeira etapa, foram treinadas diversas Redes Neurais Artificiais para a monitoração das variáveis de temperatura, potência e taxa de dose. Para tanto foram utilizadas duas bases dados: uma contendo dados gerados por um modelo teórico do reator, e outra contendo dados referentes a uma semana típica de operação. Na segunda etapa, as redes treinadas para realizar a monitoração das variáveis, foram testadas com uma base de dados contendo falhas inseridas artificialmente nos sensores de temperatura. Como o limite máximo de erro de calibração para termopares especiais é de , foram inseridas falhas de ± nos sensores responsáveis pela leitura das variáveis T3 e T4. Na terceira etapa foi desenvolvido um Sistema Fuzzy para realizar o diagnóstico de falhas, onde foram consideradas 3 condições possíveis de falhas: condição normal, falha de −, e falha de , sendo que o sistema desenvolvido indicará qual o sensor de temperatura está com falha. Cº5,0±Cº1Cº1Cº1+ / The increasing demand on quality in production processes has encouraged the development of several studies on Monitoring and Diagnosis Systems in industrial plant, where the interruption of the production due to some unexpected change can bring risk to the operator\'s security besides provoking economic losses, increasing the costs to repair some damaged equipment. Because of these two points, the economic losses and the operator\'s security, it becomes necessary to implement Monitoring and Diagnosis Systems. In this work, a Monitoring and Diagnosis Systems was developed based on the Artificial Neural Networks methodology. This methodology was applied to the IEA-R1 research reactor at IPEN. The development of this system was divided in three stages: the first was dedicated to monitoring, the second to the detection and the third to diagnosis of failures. In the first stage, several Artificial Neural Networks were trained to monitor the temperature variables, nuclear power and dose rate. Two databases were used: one with data generated by a theoretical model and another one with data to a typical week of operation of the IEA-R1 reactor. In the second stage, the neural networks used to monitor the variables was tested with a fault database. The faults were inserted artificially in the sensors signals. As the value of the maximum calibration error for special thermocouples is , it had been inserted faults of in the sensors for the reading of the variables T3 and T4. In the third stage a Fuzzy System was developed to carry out the faults diagnosis, where were considered three conditions: a normal condition, a fault of , and a fault of . This system will indicate which thermocouple is faulty. Cº5,0±Cº1Cº1±−Cº1+

Este trabalho investiga e propõe algoritmos de aprendizado para o treinamento de redes neurais artificiais (RNA), objetivando a identificação de sistemas dinâmicos não-lineares multivariáveis. De modo a se tratar sistemas não-lineares arbitrários e estabelecer algoritmos de aprendizado estáveis, são empregados recurrent high-order neural networks (RHONN), métodos de Lyapunov e adaptações de resultados já disponíveis na teoria de controle adaptativo para sistemas lineares. Inicialmente, de modo a explicitar o problema de identificação, é apresentada uma breve revisão sobre a literatura relativa à identificação de sistemas dinâmicos, RNA e identificação de sistemas dinâmicos usando RNA. A seguir, são analisados os trabalhos de Kosmatopoulos et alii [