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+

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+