Orientador: Anna Diva Plasencia Lotufo / Co-orientador: Mara Lúcia Martins Lopes / Banca: Maria do Carmo Gomes da Silveira / Banca: Elizete de Andrade Amorim / Resumo: Com o aumento na demanda por energia elétrica o planejamento de geração, transmissão e distribuição bem como a operação são importantes para uma prestação de serviços de forma eficiente, econômica e confiável. Uma das ferramentas para gestão desses recursos são os modelos de previsão de séries temporais. Há diversos modelos na literatura, como os modelos de regressão, modelos estatísticos, dentre outros. Outro modelo que vem se destacando na literatura é a previsão utilizando as redes neurais artificiais, pela sua capacidade de aprendizado. As redes neurais possuem várias arquiteturas, e uma em particular, que é considerada padrão na literatura, é a rede perceptron multicamadas com o algoritmo backpropagation. O presente trabalho propõe uma rede neural híbrida composta pelo método de regressão linear com seleção de variáveis stepwise juntamente com a rede neural artificial perceptron multicamadas com o algoritmo backpropagation. O objetivo é obter um método simples e eficaz para redução de variáveis sem perda de qualidade de previsão. O modelo de regressão linear com o método de seleção de variáveis stepwise tem a função de selecionar as variáveis mais relevantes para compor o conjunto de dados de entrada para treinamento/diagnóstico da rede neural perceptron multicamadas com o algoritmo backpropagation que, consequentemente, é a responsável em realizar a previsão de carga elétrica. Com esta proposta busca-se uma metodologia que seja capaz de reduzir a quantidade de variáveis de entrada da rede neural e obter resultados satisfatórios, ou seja, boas previsões. Para corroborar a metodologia proposta são apresentados os resultados da previsão de carga elétrica a curto prazo em um período de 24 e 48 horas a frente, considerando-se os dados históricos de uma companhia do setor elétrico / Abstract: With the increase in electric energy demand the planning of generation, transmission and distribution as well as the operation are important to provide services efficiently, economically and reliably. One of the tools to manage those resources are time series model forecasting. There are several models in the literature, as the regression models, statistical models, among others. Other model that has been highlighted in the literature is the forecasting using artificial neural network, due to the capacity of learning. Neural networks have several architectures, and one in particular, that is considered standard in the literature is the multilayer perceptron network with the backpropagation algorithm. The present work proposes a hybrid neural network composed by the linear regression method with stepwise variable selection with the multilayer perceptron artificial neural network with the backpropagation algorithm. The aim is to provide a simple and effective method to reduce the variables without losing the forecasting quality. The function of the linear regression model with stepwise variable selection is to select the more relevant variables to compose the input data set to training/ diagnostic of the multilayer perceptron neural network with the backpropagation algorithm that, consequently, is the responsible to realize the electric load forecasting. The aim of this proposal is to find a methodology that reduces the amount of input variables of the neural network and obtain satisfactory results. To verify the proposed methodology results are presented for electric short-term load forecasting in a period of 24 and 48 hours ahead, considering the historical data obtained from a company pertaining to the electrical sector / Mestre

Orientador: Maria de Lourdes Bueno Trindade Galo / Resumo: A utilização de dados de Sensoriamento Remoto em conjunto com técnicas de processamento digital e análise de imagens tem possibilitado o desenvolvimento de estudos integrados, com vistas ao monitoramento dos recursos naturais. Uma maneira de representar esses dados é através de mapas temáticos, obtidos por métodos de classificação multiespectral. Para a classificação de dados de Sensoriamento Remoto, a utilização de Redes Neurais Artifíciais tem se apresentado como uma alternativa vantajosa em relação aos classificadores baseados em conceitos estatísticos, uma vez que nenhuma hipótese prévia sobre a distribuição dos dados a serem classificados é exigida. Assim, esse trabalho teve como objetivo detectar a ocorrência e mapear a dispersão espacial de plantas aquáticas emersas em cinco reservatórios ao longo do rio Tietê-SP (Barra Bonita, Bariri, Ibitinga, Promissão e Nova Avanhandava) através da classificação por Redes Neurais Artifíciais...(Resumo completo, clicar acesso eletrônico abaixo) / Mestre

Orientador: Paulo Roberto de Aguiar / Banca: Fabricio Guimarães Baptista / Banca: Danilo Hernane Spatti / Resumo: A dressagem é um processo essencial para a usinagem, pois impacta diretamente na qualidade superficial de peças retificadas. A dressagem consiste em recompor a característica cortante dos grãos abrasivos da superfície do rebolo após sucessivas retificações, a partir da remoção de material pela ponta do dressador de diamante. O dressador pode ser monitorado em tempo real utilizando sensores, a fim de garantir a qualidade no processo da dressagem e fornecer informações da condição da ferramenta, sem precisar interromper o processo de usinagem. Assim, este trabalho propõe um método para predição da largura de atuação do dressador de diamante, utilizando sinais de emissão acústica e redes neurais artificiais. Sabe-se que a largura de atuação do dressador impacta diretamente na dressagem, pois determina a agressividade que é gerada no rebolo. Por isso, um sistema de monitoramento online que seja capaz de predizer um passo à frente a condição do dressador seria de grande valia para o processo, pois extinguiria a necessidade de paradas para monitoramento direto, reduziria a atuação dos operadores e evitaria a subutilização ou sobreutilização da ferramenta. Para este fim, os experimentos foram realizados em uma retificadora plana equipada com rebolos abrasivos de óxido de alumínio e dressadores piramidais de ponta única, do tipo natural. Os sinais de emissão acústica foram aquisitados a uma frequência de 2 MHz e processados utilizando filtros digitais e diferentes estatísticas, como ... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Dressing is an important process in machining, because it directly impacts on the quality surface of the workpieces. Dressing consists of restoring the cutting characteristics of the abrasive grains on wheel surface after several grinding passes through material removal by the tip of the diamond dresser. The dresser can be monitored in real time using sensors in order to guarantee the quality of the dressing process and provide information about tool condition, without the need of interrupting machining process. Then, this work proposes a methodology to predict the width of dresser at the dressing depth using acoustic emission signals and artificial neural networks. It is know that the width of dressing at the dressing depth directly impacts in dressing, because it defines the wheel sharpness. Therefore an online monitoring system able to predict one step forward the condition of the dresser would be of great value for the process because it would extinghish the need of stops for the direct monitoring, would reduce the function of operators and would avoid the sub-utilization and over over-utilization of the tool. For this purpose, experiments were performed using a horizontal surface machine equipped with aluminum oxide grinding wheels and natural single-point pyramidal dressers. Acoustic emission signals were acquired at 2 MHz and processed using digital filters and some statistics as RMS, ROP, power law, CFAR and MVD. Two kinds of neural networks were developed, onde for estimulation and other for prediction, wherein the output of first were used as input of second. For estimation MLP neural models were develope, being that the statistics of sensor signals were used as their inputs. For prediction, TDNN neural models were developed, inserting time delay. Results obtained indicate that acoustic emission is efficient to predict width of dresser using the best statistics and selected width bands. Utilization of neural networks performed... / Mestre

Orientador: Anna Diva Plasencia Lotufo / Co-orientador: Geraldo de Freitas Maciel / Banca: Milton Dall Aglio Sobrinho / Banca: Maria Lúcia Martins Lopes / Banca: Maria Teresa Leal Gonsalves Veloso dos Reis / Banca: Fernanda Caseño Lima Trindade / Resumo: Os riscos associados a zonas costeiras e portuárias são uma das principais preocupações no planejamento e gestão destas zonas. Exemplos desses riscos são os associados aos fatores: instabilidade de estruturas marítimas de proteção, ocorrência de galgamentos, inundação, erosão costeira e navegação. Não obstante ao citado, tem-se também, o caso dos riscos inerentes ao ambiente dos reservatórios de barragens e de seus usos múltiplos, que fazem parte de segmentos de hidrovias, além de fazer parte de complexos de navegação e rotas comerciais. O exposto justifica a importância crescente do desenvolvimento de metodologias capazes de avaliar o risco neste tipo de situações. O presente trabalho trata do desenvolvimento e aplicação de uma rede neural artificial, notadamente a rede ARTMAP-Fuzzy, na tentativa de se prever alguns fenômenos de superfície livre e interação onda-estrutura, sejam eles: agitação marítima, comportamento de ondas em lagos de barragem e galgamento. A rede em questão pertence à família ART (Adaptive Ressonance Theory), e foi desenvolvida e utilizada na tentativa de se prever tanto a agitação marítima dentro e fora de um porto, quanto para o cálculo do galgamento em um ponto do barramento de contenção e, também na tentativa de se prever o comportamento de ondas geradas por vento em um reservatório formado pela construção de uma usina hidroelétrica. O porto em estudo foi o de Sines que se situa a sudoeste da Europa, na costa oeste de Portugal, a 58 milhas náuticas a sul de Lisboa. Já, para o caso de ondas em lagos, o mesmo se trata do lago formado pela construção da Usina Hidroelétrica de Ilha Solteira, situado a noroeste do Estado de São Paulo - Brasil. Para o caso de estudo relativo ao porto de Sines, o treinamento desta rede neural é efetuado com dados de medição de boia-ondógrafo ao largo do porto e ainda, comparados com resultados do modelo numérico de propagação de ... / Abstract: The risks associated to coastal and harbor zones are one of the main concerns in planning and managing these zones. Some examples can be mentioned such as: instability of maritime structures, wave overtopping, flooding, coastal erosion and unsafe navigation. Furthermore, there are the risks associated to dam reservoirs and their multiple uses, as for example those reservoirs that are used as waterways, as well as being commercial and navigation routes. These are some of the justifications to develop methodologies capable of evaluating the risk in this kind of situations. This work is concerned with the development and application of a Fuzzy ARTMAP artificial neural network to forecast some phenomena of free surface and of wave-structure interaction, such as: sea wave conditions, wave behavior in dam lakes and wave overtopping. The neural network pertains to the ART (Adaptive Resonance Theory) family and is developed and used to forecast the wave conditions outside and inside a port, the wave overtopping at a cross-section of the port protection breakwater, and also the wind waves generated in an hydroelectric dam reservoir. The studied port is the Sines port, located at south west Europe, west coast of Portugal, 58 nautical miles south of Lisbon. The hydroelectric reservoir is the Ilha Solteira lake, located north west of the State of São Paulo, Brazil. Considering the Sines port, the neural network training for forecasting wave conditions is performed with data measured by a wave buoy positioned offshore the port, and also with numerical model results of wave propagation at the entrance of the port (SWAN model) and inside the port (DREAMS model). The wave conditions inside the port predicted by the new tool are compared with some field data. The neural network training for forecasting wave overtopping at the breakwater is performed with data obtained from a two-dimensional physical model developed at the National Laboratory for Civil ... / Doutor

Orientador: Anna Diva Plasencia Lotufo / Co-orientador: Maria do Carmo G. da Silveira / Banca: Lilian Yuli Isoda / Banca: Maria de Fátima Ribeiro Raia / Resumo: Após a reestruturação da indústria de eletricidade, a energia elétrica tornou-se uma mercadoria que pode ser comprada e vendida nos mercados de eletricidade. Dentro deste contexto, novas ferramentas para previsão de cargas e preços de eletricidade ainda são objetos de estudo. Redes Neurais Artificiais são bastante usadas para previsão de preços juntamente com outras técnicas estatísticas. Nesta pesquisa apresenta-se um método para a previsão de preço do dia seguinte, usando uma Rede Neural de Regressão Generalizada (GRNN) e Perceptron Multicamadas (MLP) com algoritmo de treinamento Levenberg - Marquardt. Os preços nodais são determinados resolvendo um DC-OPF (fluxo de potência ótimo), gerando os preços para todas as barras do sistema elétrico, denominado Locational Marginal Prices (LMP). Para treinar a rede neural, foram gerados vários cenários carga-preço e variando aleatoriamente a carga em cada barra do sistema elétrico. Os resultados são analisados através do erro percentual médio absoluto, uma medida muito comum encontrada na literatura. Os resultados foram comparados com literatura especializada com o caso base bem como com o Erro Máximo que varia de 3% a 8 %. Os resultados obtidos foram satisfatórios, dentro das margens encontradas na literatura, conforme apresentado na seção de resultados. A presente proposta foi aplicada no sistema teste IEEE 24- RTS. / Abstract: After the electricity industry restructuring, electric energy has become a commodity that can be bought or sold in electricity markets. Within this context, new tools to predict loads and electricity prices are yet to be devised. Neural networks have been typically used for price forecasting, among other statistical-based techniques. This work presents a method for day-ahead price forecasting using a generalized regression neural network where nodal prices are determined by solving a DC optimal power flow. In order to train the neural network several load-price scenarios are generated by randomly varying the loads in each bus of the electric energy system. The results are validated by analyzing the mean absolute percentage error, a common measure adopted in the technical literature as well as the base case and the maximum error which are within those found in the literature. The proposed methodology has been successfully applied to the IEEE 24-RTS system. / Mestre

Orientador: Marcelo Carvalho Minhoto Teixeira / Banca: Edvaldo Assunção / Banca: Aparecido Augusto de Carvalho / Banca: Cristiano Quevedo Andrea / Banca: Valtemir Emerencio do Nascimento / Resumo: Os sistemas fuzzy e neuro fuzzy têm sido usados com sucesso para resolver problemas em diversas áreas, como medicina, indústria, controle, agronomia e aplicações acadêmicas. Nas últimas décadas, as redes neurais têm sido utilizadas para identificação, avaliação e previsão e dados na medicina e na agronomia. Nesta tese, realizou-se um novo estudo comparativo entre as redes neuro fuzzy (ANFIS), rede perceptron multicamadas (MLP), rede função de base radial (RBF) e regressão generalizada (GRNN) na área de engenharia biomédica. Na engenharia biomédica as redes neurais e neuro fuzzy foram treinadas e validadas com dados de pacientes hígidos e hemiplégicos (pacientes com sequela motora após acidente vascular cerebral no hemicorpo direito ou esquerdo do cérebro) coletados por meio de um baropodômetro eletrônico (91 indivíduos, sendo 81 hígidos e 10 hemiplégicos). A rede GRNN apresentou o menor erro RMSE (Raiz Quadrada do Erro Médio Quadrático), porém a rede MLP conseguiu identificar um caso de hemiplegia. Na área de agricultura foi proposto um novo estudo comparativo utilizando redes neurais para previsão de produção de trigo (Triticum aestivum). Para este estudo utilizou-se uma base de dados experimental de trigo avaliada no período dois anos na região de Selvíria-MS. A validação foi realizada comparando-se a produção estimada pelas redes neurais MLP, GRNN e RBF com a curva de regressão quadrática, comumente utilizada para este fim, e com a rede neuro fuzzy ANFIS. O erro RMSE calculado com as redes neurais GRNN e RBF foi menor do que o obtido com a regressão quadrática e com o ANFIS utilizando o treinamento (híbrido). Para validação dos resultados obtidos em hemiplegia utilizou-se o RMSE, a matriz de confusão, a sensitividade, a especificidade e a acurácia. Os resultados mostraram que a utilização das redes neurais e redes neuro fuzzy, na engenharia biomédica, pode ser uma alternativa viável para ... / Abstract: The fuzzy and neuro fuzzy systems have been successfully used to solve problems in various fields such as medicine, manufacturing, control, agriculture and academic applications. In recent decades, neural networks have been used to the identification, assessment and diagnosis of diseases. In this thesis we performed a comparative study among fuzzy neural networks (ANFIS), multilayer perceptron neural networks (MLP), radial basis function network (RBF) and generalized regression (GRNN) in the area of biomedical engineering and agronomy. In biomedical engineering neural networks and neuro fuzzy were trained and validated with data set from patients (91 subjects, 81 healthy and 10 hemiplegic). The GRNN network had the lowest Root Mean Square Error (RMSE), but the MLP network was able to identify a case of hemiplegia. In the area of agriculture a comparative study to estimate the wheat (Triticum aestivum) productivity was proposed using neural networks. For this study it was used data from an experimental database of wheat cultivars evaluated during two years in the region of Selvíria - MS. The validation was performed by comparing the estimated productivity through the quadratic regression curve and the output of the ANFIS with the neural networks. The RMSE error calculated with the GRNN and RBF neural networks was lower than that obtained with the quadratic regression and the ANFIS. The results obtained in the study of hemiplegia were validated using the RMSE, the confusion matrix, the sensitivity, the specificity and the error accuracy. The results showed that the use of neural networks and fuzzy neural networks, in biomedical engineering, can be a viable for monitoring the progress of patients and discovery new information through a combination of parameters. In agriculture this methodology can bring benefits in combining several evaluation parameters of production to optimize production while minimize financial costs in new plantations / Doutor

Resumo: A predição de estruturas secundárias e terciárias pode contribuir para elucidar o problema de enovelamento de proteínas. Para isso, métodos de Redes Neurais Artificiais (RNAs) e Algoritmos Genéticos são utilizados a fim de predizê-las, a partir de determinadas seqüências primárias de aminoácidos. Neste sentido, esta pesquisa visa à utilização de três níveis de RNAs. O primeiro nível é composto por um vetor de entrada representando a seqüência primaria dos aminoácidos, com uma dimensão de 22.n, onde n é o tamanho da janela compreendida entre 7 a 23. O segundo nível possui a implementação dos resultados da primeira rede. Por fim o terceiro nível é composto por um júri de decisão. As RNAs são treinadas no Simulador MATLAB 5.0, um software composto de vários recursos para a sua implementação (Neural Network Toolbox). As RNAs implementadas são do tipo Multi Layer Perceptron (MLP), que utilizam o algoritmo backpropagation (RPROP) e a função de treinamento trainrp. Os dados obtidos são comparados com os preditores 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/), a fim de se obter um modelo de predição. / Abstract: The prediction of (secondaray and tertiary) structures of proteins can contribute to elucidadate the protein-folding problem. In oder to predict these structures we used methods of Artificial Neural Network (ANN) and genetic algorithms starting from the primary sequences of amino acids. The present work is composed of 3 networks levels. The first level is composed of ANNs of an input vector representing a segment of primary amino acid sequence. Since the encoding scheme uses a local window into the sequence, the input vector is a 22.n dimensional vector where n is the number of positions in the window (between 7 and 23). The outputs of level 1 are the inputs of the second level ANNs. The third level is the jury decision. The ANNs were trained with the Simulator MATLAB 5.0, software with several tools for its implementation (Neural Network Toolbox). The implemented ANNs are Multi Layer Perceptron (MLP) kind, which use the backpropagation algorithms (RPROP) together with training function trainrp. The obtained date are compared with the predictors 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/) in order to heve an idea of the quality of the prediction. / Orientador: Jorge Chahine / Coorientador: José Roberto Ruggiero / Coorientador: Luís Paulo Barbour Scott / Banca: Roosevelt Alves da Silva / Banca: Elso Drigo Filho / Mestre

Orientador: Carlos Roberto Minussi / Banca: Walmir de Freitas Filho / Banca: Jacqueline Gisèle Rolim / Banca: Antonio Padilha Feltrin / Banca: Laurence Duarte Colvara / Resumo: Esta pesquisa tem por objetivo o desenvolvimento de uma metodologia, para análise de estabilidade transitória e para o controle preventivo de sistemas de energia elétrica, formulada por redes neurais feedforward multicamadas. A margem de segurança (método da energia) é empregada como critério de análise de estabilidade transitória, considerando-se defeitos tipo curto-circuito trifásico com saída de linha de transmissão. O funcionamento das redes neurais é constituído por duas fases principais: treinamento (ou aprendizado) e análise. A fase de treinamento requer uma grande quantidade de processamento para a sua realização, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Trata-se, por conseguinte, da principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, sendo, portanto, adequadas para aplicações em tempo real. O treinamento da rede neural é realizado usando o algoritmo retropropagação (backpropagation) com controlador nebuloso e a adaptação da inclinação e deslocamento da função sigmóide (pós-sináptica). O controlador nebuloso é usado visando proporcionar uma convergência mais rápida e resultados mais precisos, se comparado ao algoritmo retropropagação tradicional. A adaptação da taxa de treinamento é efetuada usando a informação do erro global e a variação do erro global. A adaptação da inclinação e deslocamento da função sigmóide também é usada com o objetivo de melhorar a capacidade da obtenção de uma solução, ou seja, ampliar o espaço de busca. Após ter sido concluído o treinamento, a rede neural deverá estar apta a estimar a margem de segurança e a análise de sensibilidade. Com esta informação é possível desenvolver um método para a realização da correção da segurança (controle preventivo)... (Resumo completo, clicar acesso eletrônico abaixo). / Abstract: This work presents a procedure, for transient stability analysis and for preventive control of electric power systems, formulated by multilayer feedforward neural network. The security margin (energy method) is used as a criterion of the transient stability analysis considering faults like three-phase short-circuits with outage of transmission line. The performance of neural networks is constituted of two principal phases: training (or learning) and analysis. The training phase needs a great quantity of processing time for the realization, whereas the analysis phase is effectuated almost without computational effort. Therefore, this is the principal justification to use neural networks for solving complex problems that need fast solutions, and as a consequence being adequate for real time applications. The neural network training is realized using the backpropagation algorithm with fuzzy controller and the sigmoid (postsynaptic) function slope and translation adaptation. The fuzzy controller is used to provide a faster convergence and more precise results, if compared to the traditional Backpropagation algorithm. The adapting of the training rate is effectuated using the information of the global error, and global error variation. The adaptation of the slope and translation of the postsynaptic function is used for improving the capacity of obtaining a solution, i.e., to enlarge the space of search. After finishing the training, the neural network is capable to estimate the security margin, and the sensitivity analysis. With these information it is possible to develop a method for the realization of the security correction (preventive control) based on generation reallocation and load shedding. The preventive control idealization is based on the sensitivity... (Complete abstract, click electronic address below). / Doutor

Orientador: Marcos Tadeu Tiburcio Gonçalves / Banca: Manoel Cleber de Sampaio Alves / Banca: Maria Angelica Martins Costa / Banca: Raquel Gonçalves / Banca: Ivaldo de Domenico Valarelli / Resumo: Para se obter produtos e serviços que atendam ao nível de produtividade exigida pelo mercado, deve-se otimizar vários fatores determinantes na usinagem da madeira. O atual objetivo da pesquisa em Inteligência Artificial dedica-se ao desenvolvimento de sistemas inteligentes flexíveis e auto ajustáveis, com vistas à diminuição da presença de operadores humanos, de forma que o controle destes processos seja realizado através de sistemas computacionais. A usinagem da madeira se caracteriza pela ação de vários agentes, que de forma geral, são muito complexos para serem representados de forma analítica, adicionalmente as respostas destes sistemas são não-lineares. Portanto, estas dificuldades na modelagem do processamento da madeira justificam a utilização de redes neurais como ferramenta para melhoria de processo, e consequente agregação de valor ao produto final. O objetivo deste trabalho foi utilizar a capacidade de aprendizagem e a generalização das redes neurais e outras técnicas de inteligência computacional no processamento de madeira. A metodologia utilizada consistiu em utilizar redes neurais do tipo Multilayer Perceptrons (MLP) associadas à Lógica Fuzzy para construção de controlador do processo de usinagem da madeira. Adicionalmente as redes neurais realizaram uma classificação de imagens com relação aos defeitos superficiais da madeira. Foi utilizadas bases de dados obtidas através dos processos reais de usinagem da madeira. Os resultados obtidos foram satisfatórios, o que confirma que as redes neurais foram uma... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In order to obtain products and services to exceed the level of productivity required by the market, many machining wood factors should be optimized. The current goal of research in Artificial Intelligence is dedicated to develop intelligent flexible systems, self-adjusting, to decrease the presence of human operators. The control of these processes is done through the help of computer systems composed from software and hardware. The modern industrial processes are characterized by the action of various agents that are generally too complex to be represented analytically, additionally answers these systems are non-linear. Therefore, these difficulties in modeling wood machining process justify the use of Neural Network as a tool for process improvement and to add value to the final product. Computational Intelligence techniques such as Neuro-Fuzzy Networks have been proved applicable to this problem, since they combine the ability to learn from examples and to generalize the information learned from the neural network with the ability of Fuzzy Logic to turn variables into linguistic rules. The objective of this work is to use the learning ability and generalization of neural networks and other techniques of Artificial Intelligence in machining materials, which have solid non-linear character. The results were satisfactory, thus confirming the neural... (Complete abstract click electronic access below) / Doutor

Orientador: Mauro Hugo Mathias / Banca: Alvaro Manoel Souza Soares / Banca: José Elias Tomazini / Banca: Francisco Carlos Parquet Bizarria / Banca: Carlos Henrique Netto Lahoz / Resumo: Um importante aspecto no processo produtivo é proporcionar o funcionamento das máquinas o maior tempo possível sem o comprometimento na qualidade final do produto. Nesse sentido, a utilização de uma política de manutenção adequada se torna necessária para o monitoramento do desgaste dos componentes das máquinas a fim de aumentar o tempo de sua utilização sem comprometer a qualidade do produto. A manutenção baseada em condição se apresenta como a abordagem mais apropriada para esse controle. Dentre as diversas abordagens utilizadas para o desenvolvimento de programas para esse tipo de manutenção, as técnicas baseadas em Inteligência Artificial vêm se destacando no que diz respeito ao seu desempenho. Diante desse contexto, essa tese propõe uma Rede Neural Artificial, a qual, devidamente parametrizada, possibilita sua aplicação tanto para análise de vibrações quanto análise de partículas de desgaste. Para tanto, foi implementado um protótipo denominado NEURALNET-CBM, subdividido em dois módulos, Vibrações e Partículas. Os resultados dos testes mostram a efetividade da rede proposta, com um índice de acerto acima de 90% na classificação e identificação de defeitos e partículas de desgaste. / Abstract: An important aspect in the production process is to ensure the operability of a machine as long as possible without interfering on the final quality product. In this way, the use of a suitable maintenance policy is critical for monitoring the wear of the machine components in order to increase your useful life without any compromise of the product quality. The Condition-Based Maintenance is presented as the most appropriate approach for this control. Among several methods used to develop systems for this type of maintenance, techniques Artificial Intelligence has been standing out in relation their performance. Therefore, this thesis proposes a Artificial Neural Network, which, properly parameterized, it makes possible its application for both vibration and wear particle analysis. For this, we implemented a prototype named NEURALNET-CBM, divided into two modules: Vibration and Particle. The test results show the effectiveness of the proposed network, with accuracy rate greater than 90% in classifying and identification of defects and wear particles. / Doutor