Monitoramento e diagnóstico de múltiplos sensores por redes neurais auto-associativas

Abstract

Manutenções preventivas de sensores asseguram o seu funcionamento correto durante um certo período de tempo, mas não garantem que eles permaneçam sem defeito por outros períodos, além de eventualmente serem desnecessárias. Em plantas industriais, a análise dos sinais fornecidos pelos sensores que monitoram os processos de produção é uma tarefa difícil em virtude da grande dimensão dos dados. Portanto uma estratégia de monitoramento e correção on-line para múltiplos sensores é necessária. Este trabalho propõe a utilização de Redes Neurais Auto-Associativas com Treinamento Robusto Modificado e do Teste Seqüencial da Razão de Probabilidade (SPRT) em um sistema de monitoramento para auto-correção on-line e detecção de anomalias nas medidas geradas por um grande número de sensores. Diferentemente de modelos existentes, o sistema proposto visa a utilizar somente uma RNAAM para reconstruir os sinais dos sensores com falha. O modelo é avaliado com uma base dados que contém as medidas de sensores industriais que controlam e realizam o monitoramento de um motor de combustão interna, instalado em um caminhão de mineração. Os resultados obtidos mostram a capacidade do modelo proposto de mapear e corrigir, com um baixo nível de erro, os sinais dos sensores que apresentam falhas.