O controle de perdas em sistemas de distribuição de água para abastecimento é uma preocupação constante, e uma tarefa fundamental para a solução do problema é a detecção rápida e confiável dos vazamentos que frequentemente iniciam em qualquer ponto da rede. Uma abordagem promissória é a detecção de vazamentos baseada na análise de sinais adquiridos pelo monitoramento das redes durante sua operação, e dentro dela se enquadra este trabalho. É desenvolvido um sistema de reconhecimento de padrões para análise de sinais de pressão e vazão que permite identificar se durante a aquisição do sinal aconteceu um vazamento ou não. Para a conformação desse sistema diversas técnicas são exploradas, incluindo a extração de características no domínio do tempo (energia, entropia, número de cruzamentos por zero) e na decomposição wavelet (distribuição da energia nas componentes). Também é explorado o uso de algoritmos para classificação de diferentes tipos (vizinhos mais próximos, árvore de decisão, regra de decisão, Naive Bayes, máquina de vetor suporte e rede neural artificial com funções de base radial). Sinais são adquiridos junto ao circuito hidráulico experimental, que permitiu a simulação da ocorrência de um vazamento na rede, para constituir uma amplia base de dados com sinais de exemplo. Além da revisão bibliográfica e os conceitos relativos às metodologias exploradas, são apresentadas neste documento as análises que conduzem à criação do sistema de reconhecimento de padrões mais apropriado para o problema. Das análises dos diferentes métodos considerados é definido o sistema de reconhecimento de padrões, em suas etapas de segmentação e padronização, extração de características e classificação. A avaliação do sistema proposto mostra um desempenho totalmente satisfatório, com reconhecimento acertado de sinais vinculados ou não a um vazamento em mais de 95% dos testes. / Control of losses in water supply systems is a constant concern, and a key to the solution of this problem is the rapid and reliable detection of leaks that often begin anywhere on the network. A promising approach to solve the problem is the leak detection based on the analysis of signals acquired by monitoring the network in operation, and this research fits with that approach. Its developed a pattern recognition system for the analysis of pressure and flow signals, which identifies whether a leak happened during signal acquisition. Several techniques are exploited for forming this system, including the feature extraction in the time domain (energy, entropy, zero crossings count) and in the wavelet decomposition (energy distribution in the components). Also, the use of different types of algorithms for classification (nearest neighbors, decision tree, decision rule, Naive Bayes, support vector machine and artificial neural network with radial basis functions) is explored. Signals are acquired from the experimental hydraulic circuit, allowing the simulation of the onset of a leak in the network, to form a big database of example signals. Besides the literature review and the concepts relating to the considered methods, in this document are shown the analyses leading to the creation of the pattern recognition system most appropriate for the problem. The analysis of the methods considered allows defining the pattern recognition system, which is composed by segmentation and standardization, feature extraction and classification. The evaluation of the proposed system shows a completely satisfactory performance, recognizing rightly the signals as linked or not to a leak in more than 95% of the tests.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-01102013-143421 |
| Date | 29 July 2013 |
| Creators | Gamboa Medina, Maria Mercedes |
| Contributors | Reis, Luisa Fernanda Ribeiro |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | English |
| Type | Dissertação de Mestrado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0018 seconds