Upload
vanthuan
View
220
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
CÂMPUS DE ILHA SOLTEIRA
DEPARTAMENTO DE ENGENHARIA MECÂNICA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
FERNANDO PARRA DOS ANJOS LIMA
MONITORAMENTO E IDENTIFICAÇÃO DE FALHAS EM
ESTRUTURAS AERONÁUTICAS E MECÂNICAS UTILIZANDO
TÉCNICAS DE COMPUTAÇÃO INTELIGENTE
Ilha Solteira
2014
FERNANDO PARRA DOS ANJOS LIMA
MONITORAMENTO E IDENTIFICAÇÃO DE FALHAS EM
ESTRUTURAS AERONÁUTICAS E MECÂNICAS UTILIZANDO
TÉCNICAS DE COMPUTAÇÃO INTELIGENTE
Dissertação apresentado à Faculdade de
Engenharia do Campus de Ilha Solteira –
UNESP como parte dos requisitos para
obtenção do título de Mestre em Engenharia
Mecânica
Área de Conhecimento: Mecânica dos Sólidos
FÁBIO ROBERTO CHAVARETTE
Orientador
MARA LÚCIA MARTINS LOPES
Coorientadora
Ilha Solteira
2014
DEDICO
Aos meus pais José dos Anjos Lima e Iris Matilde Parra
Vicente dos Anjos Lima e a minha irmã Amanda Parra dos
Anjos Lima pelo incentivo, motivação e apoio.
À minha namorada Simone Silva Frutuoso de Souza por todo
amor, compreensão, motivação e incentivo.
A um amigo inesquecível, Adriano dos Santos e Souza (in
memoriam).
AGRADECIMENTOS
Primeiramente, agradeço a Deus por ter me concedido o dom da vida, conhecimento,
força, persistência, objetividade e fé para eu não desistir, e para que eu conseguisse alcançar
meus objetivos.
Ao meu orientador Prof. Dr. Fábio Roberto Chavarette, agradeço pela atenção,
dedicação, empenho, e pelas contribuições na minha formação acadêmica, profissional e
pessoal. Agradeço pelo apoio, direcionamento e orientação nos trabalhos realizados, onde tive
um grande aprendizado, vivência e experiência. Agradeço principalmente pelo grande amigo
que se mostra, com incentivos motivadores a cada vitória, e em cada tropeço.
A minha Coorientadora Profa. Dra. Mara Lúcia Martins Lopes por toda contribuição,
ideias, orientação e ajuda para o desenvolvimento desta pesquisa, bem como outros trabalhos.
Agradeço pela confiança, pela amizade, pelo companheirismo e por toda atenção. Agradeço por
auxiliar em minha formação acadêmica, profissional e pessoal.
Aos meus pais, José dos Anjos Lima e Iris Matilde Parra Vicente dos Anjos Lima, que
sempre estiveram ao meu lado dando total apoio, amor e incentivo em minha busca pela
realização de meus sonhos. À minha irmã, Amanda Parra dos Anjos Lima, pelo carinho e apoio.
À minha namorada Simone Silva Frutuoso de Souza, pelo amor, incentivo, paciência e
compreensão.
Agradeço ao prof. Dr. Carlos Roberto Minussi por me apoiar, incentivar e acreditar em
minha capacidade para a realização de mais esta conquista em minha vida. Agradeço pela
atenção, dedicação, e pelas contribuições na minha formação acadêmica, profissional e pessoal.
Obrigado por todo direcionamento e orientação.
Agradeço aos professores (as) que participaram das bancas de qualificação e defesa,
onde contribuíram com ideias, sugestões e melhorias para este trabalho. Em especial agradeço
a Profa. Dra. Lilian Yuli Isoda, o Prof. Dr. Francisco Villarreal Alvarado e ao prof. Dr. Ivan
Rizzo Guilherme.
Agradeço em especial alguns familiares que sempre torceram e me apoiaram, entre eles
agradeço a Paulo Sérgio Narciso, José Carlos Frutuoso de Souza, Santina Pereira da Silva
Souza, José Rodrigo Silva Frutuoso de Souza, Ricardo Silva Frutuoso de Souza e Diego Silva
Frutuoso de Souza.
A todos os meus amigos que sempre estiveram ao meu lado. Em especial, ao Adriano
dos Santos e Souza (in memoriam), James Clauton da Silva, Caio Cesar Enside de Abreu,
Danilo Damasseno Sabino, Rafael Marcelino de Jesus, Élcio Borba de Seixas e Eduardo
Fcamidu pela força, apoio e amizade verdadeira.
Agradeço aos Professores do PPGEM da UNESP-Ilha Solteira, em especial, Fábio
Roberto Chavarette, João Batista Aparecido, Gilberto Pechoto de Melo, José Luiz Gasche,
Ricardo Alan Verdú Ramos, Ruiz Camargo Tokimatsu, Vicente Lopes Júnior, e Antônio
Eduardo Turra, pela paciência, amizade, ajuda e incentivo durante a realização das disciplinas
e experimentos no curso de Mestrado.
Agradeço aos companheiros e amigos do laboratório Sisplexos.
Agradeço aos Professores do UniSALESIANO-Araçatuba, em especial, Alexandre
Marcelino da Silva, Maria Teixeira, Getúlio Teruo Tateoki, Pedro Pereira de Souza, Giuliano Pierre
Estevam, Amadeu Zanon Neto, Antônio Francisco de Souza, Carlos Eduardo Zambon, Lucilena de
Lima e Nelson Hitoshi Takiy pelo apoio, amizade, ajuda e incentivo para dar sequência na minha
carreira acadêmica.
Agradeço à CAPES pelo auxílio financeiro concedido, através de bolsas de estudos de
Mestrado, que permitiu que eu pudesse me dedicar exclusivamente ao desenvolvimento desta
pesquisa.
“Faça as coisas o mais simples que puder, porém não as mais
simples”. Albert Einstein.
RESUMO
Nesta dissertação de mestrado apresentam-se duas metodologias para o
desenvolvimento de sistemas de monitoramento de integridade de estruturas mecânicas e
aeronáuticas, utilizando técnicas de computação inteligente, tais como as redes neurais
artificiais e os sistemas imunológicos artificiais. Neste contexto, emprega-se uma rede neural
artificial ARTMAP-Fuzzy e o algoritmo de seleção negativa. Ambas as técnicas são
empregadas para realizar a análise, identificação e caracterização das falhas estruturais
decorrentes da estrutura. A principal aplicação destes métodos é auxiliar no processo de
inspeção de estruturas mecânicas e aeronáuticas, visando detectar e caracterizar falhas, bem
como, a tomada de decisões, a fim de evitar catástrofes/acidentes. Com estas propostas busca-
se a concepção de novos sistemas de monitoramento de integridade estrutural que possam ser
modificados facilmente, para atender a permanente evolução das tecnologias e da indústria.
Para avaliar as metodologias propostas, foram realizados experimentos em laboratório para
gerar um banco de dados de sinais capturados em uma viga de alumínio. Os resultados obtidos
pelos métodos são excelentes, apresentando robustez e precisão.
Palavras-Chave- Monitoramento da integridade estrutural. Estruturas aeronáuticas e
mecânicas. Computação inteligente. ARTMAP-Fuzzy. Algoritmo de seleção negativa.
ABSTRACT
In this dissertation presents two methodologies to develop health monitoring of aircraft
structures and mechanical systems, using intelligent computing techniques such as artificial
neural networks and artificial immune systems. In this context, uses an ARTMAP-Fuzzy
artificial neural network and the negative selection algorithm. Both techniques are used for the
analysis, identification and characterization of structural failure due to the structure. The main
application of these methods is to assist in the inspection of mechanical and aeronautical
structures, to detect and characterize flaws as well, making decisions in order to avoid
disasters/accidents. With these proposals one seeks to designing new systems for structural
health monitoring that can be modified easily to cater to permanent evolution technologies and
industry. To evaluate the proposed methodologies, experiments were performed in the
laboratory to generate a database of captured signals in an aluminum beam. The results obtained
by the methods are excellent, with robustness and accuracy
Keywords- Structural health monitoring. Mechanical and aeronautical structures. Intelligence
computational. ARTMAP-Fuzzy. Negative selection algorithm.
LISTA DE ILUSTRAÇÕES
Figura 1 – Avião C-5 após catástrofe em Dover, Delaware. 22
Figura 2 – Buraco no Boeing 737-300 da companhia aérea Southwest Airlines. 23
Figura 3 – Bancada experimental. 28
Figura 4 – PZT-81 ceramic ring chip. 29
Figura 5 – Viga de Alumínio utilizada. 29
Figura 6 – Placa de aquisição USB-6211. 30
Figura 7 – Circuito de ligação e medição. 30
Figura 8 – Chirp – 0 a 50 kHz. 31
Figura 9 – Imã cerâmico. 32
Figura 10 – Resposta do ensaio em condição normal. 32
Figura 11 – Resposta do ensaio em condição falha estrutural. 33
Figura 12 – FRF do sinal em condição normal. 33
Figura 13 – FRF do sinal em condição falha estrutural. 34
Figura 14 – Comparação das FRFs dos sinais em condição normal e falha estrutural. 34
Figura 15 – Arquitetura da Rede Neural Artificial ARTMAP-Fuzzy. 38
Figura 16 – Diagrama de blocos da fase de censoriamento do ASN. 44
Figura 17 - Diagrama de blocos da fase de monitoramento do ASN. 44
Figura 18 – Fluxograma da fase de treinamento do SHM ARTMAP-Fuzzy. 49
Figura 19 – Fluxograma da fase de diagnóstico do SHM ARTMAP-Fuzzy. 50
Figura 20 – Fluxograma da fase de censoriamento do SHM ASN. 52
Figura 21 – Fluxograma da fase de monitoramento do SHM ASN. 53
LISTA DE TABELAS
Tabela 1 – Parâmetros do sistema de medição. 31
Tabela 2 – Composição do banco de dados de sinais. 35
Tabela 3 – Disposição do conjunto de testes para o SHM ARTMAP-Fuzzy. 55
Tabela 4 – Parâmetros o SHM ARTMAP-Fuzzy. 56
Tabela 5 - Resultados obtidos pelo método SHM ARTMAP-Fuzzy. 56
Tabela 6 – Parâmetros o SHM ASN. 57
Tabela 7 – Resultados obtidos pelo SHM ASN. 57
Tabela 8 – Melhor resultados encontrados. 58
LISTA DE ABREVIATURAS
AE Algoritmos Elvolutivos
AG Algoritmos Genéticos
ART Adaptive Resonance Theory
ASN Algoritmo de Seleção Negativa
CFRP Reforçadas com fibra de carbono
CI Computação Inteligente
dB Decibel
EI Engenharia Imunológica
FRF Frequency Response Function
kHz Quilo Hertz
NDE Não destrutivo
PSO Particle Swarm optimization
PZT Piezelétrico
RNA Redes Neurais Artificiais
SHM Structural Health Monitoring
SIA Sistemas Imunológicos Artificiais
SUMÁRIO
1 INTRODUÇÃO 17
1.1 Objetivos e contribuições 18
1.2 Proposta 18
1.3 Justificativa 19
1.4 Organização da dissertação 19
2 FALHAS ESTRUTURAIS 21
2.1 Introdução 21
2.2 Casos de Catástrofes Aeronáuticas 22
3 REVISÃO BIBLIOGRÁFICA 24
3.1 Metodologias Aplicadas no Monitoramento da Integridade Estrutural 24
4 MONTAGEM E APLICAÇÕES EXPERIMENTAIS 28
4.1 Bancada Experimental 28
4.2 Geração e Aquisição de Sinais 30
4.3 Metodologia de Ensaios 31
4.4 Composição do Banco de Dados de Sinais 34
5 REDES NEURAIS ARTIFICIAIS 36
5.1 Introdução 36
5.2 Rede Neural Artificial ARTMAP-Fuzzy 37
5.2.1 Dados de Entrada 38
5.2.2 Parametros da RNA ARTMAP-Fuzzy 39
5.2.3 Inicialização dos Pesos 39
5.2.4 Escolha da Categoria 39
5.2.5 Ressonância ou Reset da Rede ARTMAP-Fuzzy 40
5.2.6 Processo de Aprendizagem 41
6 SISTEMAS IMUNOLÓGICOS ARTIFICIAIS 42
6.1 Introdução 42
6.3 Algoritmo de Seleção Negativa (ASN) 43
6.4 Critério de casamento e taxa de afinidade 45
7 METODOLOGIA PROPOSTA 48
7.1 SHM Baseado na Rede Neural Artificial ARTMAP-Fuzzy 48
7.1.1 Fase de Treinamento do SHM ARTMAP-Fuzzy 48
7.1.2 Fase de Monitoramento do SHM ARTMAP-Fuzzy 49
7.2 SHM Baseado no Algoritmo de Seleção Negativa 50
7.2.1 Cálculo da Taxa de Afinidade do SHM ASN 51
7.2.2 Fase de Censoriamento do SHM ASN 51
7.2.3 Fase de Monitoramento do SHM ASN 52
8 RESULTADOS 55
8.1 Conjunto de testes 55
8.2 Resultados para o SHM Baseado na Rede Neural Artificial ARTMAP-Fuzzy 56
8.3 Resultados para o SHM Baseado no Algoritmo de Seleção Negativa 57
8.4 Discussão e Análise dos Resultados 58
9 CONCLUSÕES 60
9.1 Sugestões para trabalhos futuros 61
REFERÊNCIAS 62
APÊNDICE A - PUBLICAÇÕES 69
17
1 INTRODUÇÃO
Nos últimos anos as indústrias mecânica e aeronáutica, passaram a aplicar muitos
investimentos em pesquisas e no desenvolvimento tecnológico, visando obter métodos
eficientes para analisar a integridade de estruturas e impedir que catástrofes e/ou acidentes
aconteçam, assegurando a vida das pessoas e evitando prejuízos econômicos.
O monitoramento da integridade estrutural se consiste em detectar falhas em estados
iniciais, intervir na sua propagação e, consequentemente, impedir que catástrofes e/ou acidentes
ocorram, levando a parada ou danificação da estrutura. Esta atual e importante linha de pesquisa
é denominada monitoramento da integridade de Estruturas (SHM – Structural Health
Monitoring).
Conforme destacado em (HALL, 1999), um SHM deve satisfazer os seguintes
requisitos:
aquisição e processamento de dados;
validação e análise de sinais;
identificação e caracterização de falhas;
interpretação de mudanças adversas em uma estrutura;
auxiliar a tomada de decisões.
Toda estrutura, seja mecânica ou aeronáutica, antes de ser colocada em uso, passa por
uma avaliação e testes de integridade estrutural. Neste caso são realizadas avaliações não-
destrutivas (NDE), visando estimar o grau de segurança e confiabilidade da estrutura. Para isto,
existem técnicas tradicionalmente utilizadas como: inspeção ultrassônica, radiografia-X, testes
de emissão acústica, entre outras técnicas.
As técnicas tradicionais podem até possuir um bom aparato instrumental e serem bem
formuladas para avaliação da integridade estrutural, no entanto, estas técnicas não conseguem
satisfazer necessidades crescentes da indústria, ainda mais, quando as estruturas estão em
movimento (FRANCO et al., 2009). Desta forma, os sistemas de monitoramento de integridade
estrutural veem sofrendo uma evolução natural, devido ao avanço das tecnologias de sensores,
materiais inteligentes, técnicas eficientes de processamento de dados e sinais, e principalmente
a crescente demanda de se empregar tais ferramentas em tempo real, como é o caso das
aeronaves na indústria aeronáutica.
18
Neste contexto, uma possível solução, para se desenvolver SHMs modernos e eficientes
é a utilização de sensores inteligentes e/ou técnicas de computação inteligentes (redes neurais
artificiais, lógica fuzzy, sistemas imunológicos artificiais, etc.), que viabilizam habilidades
como a extração de conhecimentos e informações de processos complexos, facilitam a análise
de sinais e proporcionam a automatização da tomada de decisões nos SHMs.
Nesta dissertação, apresenta-se a proposta de duas metodologias para o
desenvolvimento de SHMs para estruturas mecânicas e aeronáuticas baseados em técnicas de
computação inteligente (CI). Neste sentido, emprega-se uma rede neural artificial ARTMAP-
Fuzzy (CARPENTER et al., 1992) e o algoritmo de seleção negativa (FORREST et al., 1994)
para realizar a análise e monitoramento da integridade estrutural em uma viga de alumínio. A
partir da aquisição e processamento dos sinais obtidos através de experimentos em laboratório,
aplica-se ambas as técnicas inteligentes no processo de tomada de decisão, realizando a
identificação e caracterização das falhas estruturais. Para avaliar os SHMs propostos nesta
dissertação foram realizados experimentos em laboratório para gerar um banco de dados de
sinais capturados em uma viga de alumínio, que neste caso simboliza uma estrutura mecânica
ou aeronáutica.
Neste trabalho optou-se por empregar a rede neural artificial ARTMAP-Fuzzy e o
Algoritmo de Seleção Negativa (ASN) devido as suas características de aprendizagem e
reconhecimento de padrões, e por apresentarem bom desempenho em outros tipos de problemas
de reconhecimento de padrões e diagnóstico, conforme destacado pelos autores em (LIMA,
2013; TONELLI-NETO,2012).
1.1 Objetivos e contribuições
Esta dissertação tem como principais objetivos e contribuições:
apresentar um método de monitoramento da integridade estrutural baseado na rede
neural artificial ARTMAP-Fuzzy;
apresentar um método de monitoramento da integridade estrutural baseado no
algoritmo de seleção negativa;
apresentar resultados a partir de dados experimentais, visando verificar a eficiência
e robustez dos métodos propostos;
1.2 Proposta
Esta dissertação de mestrado tem como proposta:
19
apresentar dois métodos para auxiliar a inspeção de estruturas mecânicas e
aeronáuticas utilizando técnicas de computação inteligente;
auxiliar na tomada de decisões;
realizar a análise e caracterização de falhas estruturais;
melhorar o processamento e análise de sinais;
auxiliar no planejamento de ações corretivas e manutenções preventivas;
minimizar falhas estruturais;
evitar catástrofes e/ou acidentes.
1.3 Justificativa
Este trabalho se justifica pelo fato de que os métodos de monitoramento da integridade
estrutural convencionais precisam de melhorias, as quais as técnicas de computação inteligente
podem satisfazer. As técnicas inteligentes são ferramentas inspiradas em processos naturais
e/ou biológicos e pertencem ao campo da inteligência computacional. Apresentam bons
resultados em problemas de reconhecimento de padrões e diagnóstico, e assim, podem ser
adaptadas para resolver problemas de monitoramento e identificação de falhas estruturais em
engenharia mecânica e aeronáutica. Desta forma, se justifica a proposta de duas novas
abordagens para desenvolvimento de SHMs baseados na rede neural artificial ARTMAP-Fuzzy
e no algoritmo de seleção negativa.
1.4 Organização da dissertação
Este texto é composto por nove capítulos e um apêndice, conforme descrito a seguir:
Capítulo 1: Introdução
Neste capítulo apresentam-se uma introdução sobre o problema, os fundamentos que
justificam este trabalho e os objetivos e contribuições.
Capítulo 2: Falhas Estruturais
No capítulo 2 apresenta-se uma descrição do conceito de falhas estruturais, e destaca-se
algumas catástrofes que ocorreram devido a tais falhas.
Capítulo 3: Revisão Bibliográfica
Neste capítulo apresenta-se uma revisão bibliográfica abordando os principais trabalhos
da literatura sobre métodos e técnicas de monitoramento da integridade de estruturas,
destacando-se os métodos baseados em inteligente computacional.
20
Capítulo 4: Montagem e Aplicações Experimentais
No capítulo 4 descreve-se o processo de experimentos realizado em laboratório para
gerar o banco de dados para avaliar os sistemas de SHM propostos neste trabalho.
Capítulo 5: Redes Neurais Artificiais
Este capítulo tem por objetivo, apresentar os conceitos das redes neurais artificiais,
destacando-se a rede neural ARTMAP-Fuzzy.
Capítulo 6: Sistemas imunológicos artificiais
No capítulo 6 apresentam-se os conceitos e definições dos sistemas imunológicos
artificiais, destacando-se o algoritmo de seleção negativa.
Capítulo 7: Metodologia proposta
Neste capítulo apresenta-se as metodologias propostas através de seus passos e
processos para realizar o monitoramento da integridade estrutural utilizando a rede neural
artificial ARTMAP-Fuzzy e o algoritmo de seleção negativa.
Capítulo 8: Resultados
Os resultados obtidos pelos métodos propostos nos testes realizados são apresentados
no capítulo 8.
Capítulo 9: Conclusões
No capítulo 9, apresentam-se as conclusões para este trabalho e sugestões para trabalhos
futuros.
Apêndice A: Publicações
No apêndice A encontram-se as publicações realizadas pelo autor durante o período do
curso de mestrado.
21
2 FALHAS ESTRUTURAIS
Neste capítulo apresenta-se uma descrição para o conceito de falhas estruturais,
destacando-se principalmente as falhas em estruturas aeronáuticas. Também serão apresentados
casos recentes de catástrofes que ocorreram devido a falhas estruturais em aeronaves.
2.1 Introdução
O principal desafio em se projetar um sistema SHM é saber qual tipo de mudanças na
estrutura é necessário analisar, bem como, identificá-la. Dependendo das características da
estrutura, a arquitetura do SHM pode ser definida de diferentes formas.
As falhas estruturais em estruturas mecânicas e aeronáuticas podem ocorrer em
consequência de diversos danos na estrutura, tais como (GONSALEZ, 2012):
desgaste de componentes;
corrosões;
cortes;
trincas;
afrouxamento de uniões aparafusadas;
delaminações;
aderência de massas (incrustações);
combinação dos itens anteriores.
Na grande maioria dos casos, independente da origem ou intensidade, a concentração
destes dados em uma estrutura pode desencadear uma falha estrutural e comprometer o
funcionamento da estrutura.
As falhas estruturais podem provocar uma sensível variação nos parâmetros espaciais
da estrutura, ocasionando redução da rigidez estrutural, redução da massa e também o aumento
do amortecimento, o que modifica o comportamento dinâmico da estrutura (TURRA et al.,
2013).
Dados estes fatos, destaca-se que a variação dos parâmetros espaciais de uma estrutura
afeta os principais parâmetros dinâmicos, tais como funções de respostas, frequências de
ressonância, razão de amortecimento e modos próprios da estrutura (ZHENG et al., 2004).
22
2.2 Casos de Catástrofes Aeronáuticas
Alguns casos recentes de catástrofes envolvendo aeronaves tiveram um grande destaque
na mídia, alertando para a necessidade e importância dos sistemas de SHM em tais estruturas.
Como exemplo, pode-se citar o caso do avião de transporte C-5 Galaxy da força aérea
norte-americana que a partir de uma falha estrutural caiu no ano de 2006 na base aérea de Dover,
no estado de Delaware. O avião C-5, fabricado pela Lockheed Martin, é um dos maiores aviões
militares do mundo e é usado para carregar cargas pesadas (FRANCO, 2009).
A figura 1 ilustra o avião no chão com a cabine e a cauda separadas da fuselagem.
Figura 1 – Avião C-5 após catástrofe em Dover, Delaware.
Fonte: (FRANCO, 2009).
Outro exemplo recente de acidente aeronáutico que poderia ter causado grandes
prejuízos ocorreu com um Boeing 737-300 (N632SW) da companhia aérea Southwest Airlines
no ano de 2011. Um buraco aberto na parte superior do avião, fez com que a aeronave perdesse
pressão interna logo após a decolagem e fosse forçada a fazer um pouso de emergência. Após
pousar a aeronave em segurança, foi constatado pela tripulação um buraco de aproximadamente
1,5 metros no teto da aeronave (GONZALES, 2012). A figura 2 ilustra a catástrofe ocorrida.
Este não foi o único acidente ocorrido com um Boeing 737, em 2009 um outro voo da
Southwest Airlines também passou por uma descompressão após a decolagem devido a um
buraco ter sido aberto na fuselagem da aeronave (GONZALES, 2012).
23
Figura 2 – Buraco no Boeing 737-300 da companhia aérea Southwest Airlines.
Fonte: (GONZALES, 2012).
Dados estes fatos, é evidente que os sistemas de SHM são essenciais para garantir a
segurança e integridade das estruturas, e principalmente evitar estes tipos de catástrofes.
24
3 REVISÃO BIBLIOGRÁFICA
Neste capítulo apresenta-se uma revisão bibliográfica relacionando as principais
publicações sobre métodos de monitoramento da integridade estrutural, em especial trabalhos
que empregam técnicas de inteligência computacional.
3.1 Metodologias Aplicadas no Monitoramento da Integridade Estrutural
Nesta revisão aborda-se o desenvolvimento de métodos para o monitoramento da
integridade estrutural, destacando-se as principais publicações que contribuíram para o
desenvolvimento das pesquisas, com um enfoque em técnicas de inteligência computacional.
No trabalho de (PANDEY; BARAI, 1995) apresentou-se a aplicação da rede neural
artificial multicamadas com o algoritmo backpropagation para identificar falhas estruturais.
Em Friswell e Penny (1998) foi apresentada uma metodologia de localização de falhas
em estruturas utilizando algoritmos genéticos com dados de vibrações. O objetivo do trabalho
foi identificar a posição das falhas na estrutura e estimar a magnitude destas falhas.
Em Krawczuk (2000) os autores apresentaram a aplicação de um algoritmo genético em
conjunto com uma rede neural multicamadas para realizar a detecção e localização de falhas
em um modelo numérico de uma viga.
Uma metodologia que combina a técnica da impedância elétrica com um modelo de
diagnóstico, baseado num processo de otimização por algoritmos genéticos, para detectar e
localizar falhas estruturais foi apresentado em (LOPES JUNIOR et al., 2001).
Em Furtado (2004) apresentou-se uma metodologia para identificação de falhas
estruturais aeronáuticas utilizando sensores e atuadores piezelétricos e redes neurais artificiais.
No trabalho (ZHENG et al., 2004) os autores utilizaram uma rede neural multicamadas
com treinamento via backpropagation para detecção e caracterização de falhas em vigas CFRP
(reforçadas com fibra de carbono).
Uma combinação da técnica da impedância elétrica com a técnica de algoritmos
genéticos para identificar falhas estruturais em vigas e em uma estrutura mais complexa
(virabrequim) foi apresentada em (TEBALDI, 2004).
25
Em Santiago (2004) apresenta-se uma ferramenta baseada em redes neurais artificiais e
transformada wavelet para realizar o diagnóstico de falhas em máquinas rotativas.
No trabalho de (GIURGIUTIU; CUC, 2005) foi utilizado o método da impedância
eletromecânica para o monitoramento da saúde estrutural em placas finas de alumínio e
estruturas aeroespaciais com sensores piezelétricos ativos acoplados.
No artigo de (GIURGIUTIU, 2005) utilizou-se o método da impedância eletromecânica
para monitorar estruturas aeroespaciais com sensores piezelétricos ativos acoplados.
Tebaldi et al. (2006) combinaram a técnica de impedância elétrica com abordagens de
nuvem de partículas (PSO - particle swarm optimization) para a quantificação de falhas em
estruturas inteligentes.
Em Lee et al. (2007) apresenta-se um algoritmo de detecção de falhas que utiliza
respostas dinâmicas de uma estrutura como entradas de uma rede neural multicamadas para
localização de falhas.
Em Chen et al. (2007) foi utilizado os algoritmos genéticos para determinar a localização
ótima dos sensores piezelétricos acoplados na superfície de estruturas compósitas para detecção
de falhas estruturais.
No trabalho dos autores (SILVA et al., 2008) apresentou-se uma técnica experimental
de detecção de falhas estruturais baseada em medidas de impedância elétrica obtida através de
materiais piezelétricos (PZTs) acoplados em estruturas do tipo vigas.
Em Pai et al. (2008) apresenta-se um método que usa a transformada de Hilbert-Huang
para decompor um sinal dinâmico em componentes de diferentes escalas temporais, para
computar a frequência e amplitude variantes no tempo de cada componente, identificando,
assim, diferentes não-linearidades e determinando os instantes de tempo onde ocorrem
mudanças nas características estruturais dinâmicas que podem ocorrer devido a presença de
falhas estruturais.
Em Chandrashekhar e Ganguli (2009) propõe-se um sistema fuzzy para detecção de
falhas estruturais usando curvaturas das formas modais.
No trabalho de (FLYNN et al., 2009) propõe-se uma técnica de posicionamento ótimo
de sensores e atuadores piezelétricos para o monitoramento ativo de estruturas finas tipo placas.
Em Wang e Tang (2009) desenvolveu-se um método de identificação de falhas baseado
na metodologia da impedância elétrica usando um modelo que é capaz de localizar e quantificar
falha estruturais.
26
Em Franco (2009) apresenta-se uma metodologia para monitoramento da integridade de
estruturas aeronáuticas baseada na técnica de impedância eletromecânica. A avaliação da
metodologia foi realizada através de experimentos em um painel aeronáutico da EMBRAER e
placas de alumínio.
No trabalho de (XIANG-JUN et al., 2010) foi proposto um modelo utilizando a
transformada wavelet para avaliar a integridade de estruturas de pontes através dos sinais de
vibração.
Uma contribuição aos sistemas de monitoramento de integridade estrutural baseados em
impedância eletromecânica foi apresenta em (BAPTISTA, 2010). Nesta tese de doutorado
foram apresentadas diversas modificações e análises para melhorar o método de impedância
eletromecânica.
Um sistema para identificação e localização de danos em uma asa de avião foi proposta
em (SHEN et al., 2011), neste trabalho foi utilizada uma rede neural probabilística para realizar
o processo de diagnóstico.
Em Gonsalez (2012) apresentou-se diversas metodologias para o reconhecimento de
padrões em sistemas de SHM utilizando a técnica de impedância eletromecânica. Para a
avaliação das metodologias utilizou-se dados obtidos experimentalmente em laboratório
utilizando um painel aeronáutico.
Em Wang et al. (2013) foi proposto um algoritmo genético multimodal para diagnosticar
danos em uma ponte de treliça de aço.
No trabalho de (TURRA et al., 2013) apresentou-se uma metodologia para detecção de
danos em placas de alumínio utilizando a técnica de impedância eletromecânica.
Em Souza et al. (2013) apresenta-se um sistema de monitoramento de falhas estruturais
em edifícios utilizando a rede neural artificial ARTMAP-Fuzzy.
Adicionalmente esta revisão bibliográfica é complementada com alguns dos trabalhos
publicados pelo autor desta dissertação no período do seu mestrado.
Em Lima et al. (2013a) propõe-se um sistema de monitoramento e análise de falhas
estruturais em estruturas mecânicas utilizando a rede neural artificial ARTMAP-Fuzzy. Este
trabalho é complementado pelo trabalho (LIMA et al, 2014a).
Já em Lima et al. (2013b) apresenta-se uma metodologia para o desenvolvimento de um
sistema de monitoramento da integridade de estruturas aeronáuticas baseado no algoritmo de
seleção negativa. Este trabalho é complementado pelo trabalho (LIMA et al, 2014b).
27
Em Lima et al. (2014c) propõe-se um sistema de monitoramento de falhas em um
edifício de dois andares utilizando o algoritmo de seleção negativa como ferramenta de tomada
de decisão.
28
4 MONTAGEM E APLICAÇÕES EXPERIMENTAIS
Neste capítulo apresenta-se uma descrição da bancada experimental, da metodologia
dos experimentos, e a composição do banco de dados obtido em laboratório para a avaliação
dos métodos propostos neste trabalho.
4.1 Bancada Experimental
A bancada experimental montada para os ensaios neste trabalho consiste-se de uma
viga de alumínio na condição livre-livre sustentada por um apoio de espuma. A viga é
instrumentada com sensores/atuadores piezoelétricos do tipo PZT-81 ceramic ring chip
(ilustrado na figura 4), que são responsáveis pela geração do sinal de excitação e captação do
sinal de resposta.
A bancada experimental pode ser visualizada na figura 3 a seguir:
Figura 3 – Bancada experimental.
Fonte: Elaboração do próprio autor.
Conforme observado na figura 3, a bancada experimental é composta por:
1. Computador;
2. Sistema de aquisição de dados;
29
3. Circuito de ligação e medição;
4. Viga de alumínio;
5. Apoio de espuma;
6. Imã cerâmico (falha).
Figura 4 – PZT-81 ceramic ring chip.
Fonte: Elaboração do próprio autor.
A figura 5 ilustra a viga de alumínio utilizada nos ensaios, com as suas dimensões e
as posições dos PZTs. A viga possui 450 mm de comprimento, 30 mm de largura e 2 mm de
espessura. Os PZTs estão fixados a 300 mm entre si, sendo o PZT1 fixado a 60 mm do início
da viga e o PZT2 fixado a 90 mm do final da viga.
Figura 5 – Viga de Alumínio utilizada.
(a) Viga de Alumínio
(b) Viga dimensionada
Fonte: Elaboração do próprio autor.
30
4.2 Geração e Aquisição de Sinais
A geração e aquisição dos sinais foi realizada com a utilização da placa de aquisição
de dados USB-6211 da National Instruments® (ilustrada na figura 6). A lógica para o
controle da placa foi desenvolvida no software LabVIEW® para que o canal de geração do
sinal estivesse sincronizado com o canal de aquisição e, dessa forma, os sinais colhidos
apresentassem boa coerência.
Figura 6 – Placa de aquisição USB-6211.
Fonte: Elaboração do próprio autor.
Na figura 7 ilustra-se o circuito de ligação e medição utilizado nos ensaios.
Figura 7 – Circuito de ligação e medição.
Fonte: Elaboração do próprio autor.
Sendo: Ve o sinal de entrada, uma rampa de frequências, conhecido como chirp, de
zero a 50 kHz e 1 segundo de duração (ilustrado na figura 8), Vs é o sinal de saída, R é a
resistência externa.
31
Os parâmetros utilizados no sistema de aquisição de dados são apresentados na tabela
1.
Tabela 1 – Parâmetros do sistema de medição.
Parâmetro Valor
Taxa de aquisição 100 kHz
Número de pontos por medida 250000 pontos
Amplitude do sinal de Excitação 10 Volts
Resistencia externa 2,2 kΩ Fonte: Elaboração do próprio autor.
Figura 8 – Chirp – 0 a 50 kHz.
Fonte: Elaboração do próprio autor.
4.3 Metodologia de Ensaios
O objetivo deste trabalho é avaliar falhas estruturais em uma estrutura a partir de
SHMs baseados em inteligência computacional. Desta forma para isto foi gerado um banco
de dados a partir da estrutura (viga de alumínio) utilizando a bancada experimental
apresentada anteriormente. Foram capturados sinais da estrutura em condição normal (base
line) e da estrutura em condição de falha. Para representar uma falha estrutural foi adicionado
a estrutura um imã cerâmico, que representa o acréscimo de massa de 5 g.
O imã cerâmico utilizado pode ser visualizado na figura 9.
32
Figura 9 – Imã cerâmico.
Fonte: Elaboração do próprio autor.
A partir destas condições definidas foram realizados diversos ensaios para ambas as
condições da estrutura.
Os ensaios foram realizados conforme os passos de 1-5 apresentados a seguir:
1. Gere o sinal chirp para excitar a estrutura no sistema LabVIEW;
2. Excite a estrutura no PZT1;
3. Capture o sinal de resposta da estrutura no PZT2;
4. Armazene os sinais obtidos no computador.
Após obter os sinais a partir dos ensaios foi realizado um pré-processamento em cada
sinal gerando a resposta em frequência a partir da transformada FRF (Frequency Response
Function). A transformada FRF é uma ferramenta matemática que nos dá a curva de vibração
da estrutura em frequência a partir do sinal excitação inicial e do sinal de resposta capturado no
PZT2 da estrutura.
As figuras 10 e 11 ilustram a resposta capturada no PZT2 para dois ensaios, sendo um
em condição normal (figura 10) e uma condição de falha estrutural (figura 11).
Figura 10 – Resposta do ensaio em condição normal.
Fonte: Elaboração do próprio autor.
33
Figura 11 – Resposta do ensaio em condição falha estrutural.
Fonte: Elaboração do próprio autor.
A partir dos sinais de resposta foi gerada a FRF com uma janela de 1024 pontos, ou seja,
utilizando a transformada foi possível obter as características de vibração da estrutura reduzindo
o sinal de 250000 pontos para 1024 pontos. Foi necessário realizar este procedimento para
facilitar o processamento dos sistemas inteligentes.
As figuras 12 e 13 ilustram a FRF dos sinais de resposta para uma condição normal
(figura 12) e para a condição em falha estrutural (figura 13).
Na figura 14, tem-se a comparação gráfica das FRFs apresentadas nas figuras 12 e 13,
de modo que é possível visualizar qual é a resposta do sistema em condição normal e em falha.
Figura 12 – FRF do sinal em condição normal.
Fonte: Elaboração do próprio autor.
34
Figura 13 – FRF do sinal em condição falha estrutural.
Fonte: Elaboração do próprio autor.
Figura 14 – Comparação das FRFs dos sinais em condição normal e falha estrutural.
Fonte: Elaboração do próprio autor.
4.4 Composição do Banco de Dados de Sinais
O banco de dados gerado a partir dos experimentos realizados em laboratório descritos
neste capítulo é composto por 450 sinais, sendo 300 sinais em condição normal (base line) e
150 sinais sob a condição de falha estrutural.
35
Na tabela 2 apresenta-se a composição do banco de dados sinais obtido a partir dos
experimentos.
Tabela 2 – Composição do banco de dados de sinais.
Características do Banco de dados
Sinais normais 300
Sinais em falha 150
Total de sinais 450
Número de pontos de cada sinal 1024 Fonte: Elaboração do próprio autor.
36
5 REDES NEURAIS ARTIFICIAIS
Neste capítulo apresentam-se os conceitos de redes neurais artificiais (RNAs) e suas
propriedades, destacando-se a rede neural ARTMAP-Fuzzy que foram utilizados nesta
pesquisa.
5.1 Introdução
As RNAs foram concebidas a partir do princípio de funcionamento do cérebro humano,
de modo a reproduzir/simular o processo de aprendizado e a troca de informações entre os
neurônios (unidades de processamento). O processo de aprendizado, ou como mais conhecido,
adaptação dos pesos (sinapses), é um processo realizado visando adquirir ou atualizar o
conhecimento.
As RNAs são aplicadas a um grande número de problemas, desde o reconhecimento de
padrões até a controle de segurança.
Em resumo as características principais das RNAs são descritas a seguir (CASTRO,
1998; HAYKIN, 2008):
Os neurônios (elementos de processamento) são responsáveis por realizar o
processamento da informação;
Os elementos de processamento trocam propagam informações através de conexões
(sinapses);
Existe um peso associado a cada conexão, responsável por ponderar o sinal
transmitido na RNA;
Todos os neurônios possuem não-linearidades (funções de ativação) que servem
para determinar a saída de cada neurônio da RNA.
A principal diferença entre os diversos tipos de RNAs é a sua arquitetura que é
determinada por sua estrutura, tipos de conexões entre os neurônios, pelo algoritmo de
aprendizado ou treinamento (atualização dos pesos), e por fim, pelo tipo de função de ativação.
As RNAs adquirem o conhecimento baseando-se em exemplos, ou seja, a partir de uma
apresentação de exemplos de um certo problema ocorre o aprendizado, e em uma próxima
apresentação desse problema à rede ela é capaz de distingui-lo. Devido a este fato, quanto mais
37
se executa a etapa de aprendizado de uma RNA, mais conhecimento e facilidade no processo
de reconhecimento a RNA terá. Desta forma, podem-se dividir os tipos de treinamentos das
RNAs em (HAYKIN, 2008):
Treinamento supervisionado :a RNA obtém o conhecimento a partir de um supervisor
(professor) que a auxilia no ajuste dos pesos, visando
minimizar um valor de erro (HAYKIN, 2008);
Treinamento não-supervisionado : a rede obtém conhecimento utilizando modelos auto-
organizáveis, com isso, a RNA passa por um processo de
adaptação através de regularizações estatísticas, de modo
a agrupar padrões de uma mesma classe, aprendendo
características deste novo padrão (HAYKIN, 2008).
As RNAs são classificadas pelo seu tipo de estratégia de aprendizado, na qual se podem
listar algumas delas (LOPES, 2005):
Treinamento supervisionado:
Perceptron;
Perceptron Multicamadas;
ADALINE;
MADALINE;
ARTMAP-Fuzzy.
Treinamento não-supervisionado
ART - Teoria da ressonância adaptativa;
BAM - Memória Associativa Bidirecional;
SOM - Mapas auto-organizáveis de Kohonen.
Desta forma, diversas arquiteturas de RNAs foram concebidas ou adaptadas,
proporcionando melhorias na forma de adquirir o conhecimento (aprendizagem das RNAs),
expandindo a sua área de aplicações.
5.2 Rede Neural Artificial ARTMAP-Fuzzy
A rede neural artificial ARTMAP-Fuzzy é constituída de uma arquitetura baseada na
teoria da ressonância adaptativa, ou como mais conhecida, pertence à família ART (Adaptive
38
Resonance Theory) (CARPENTER; GROSSBERG, 1987). Esta RNA representa um sistema
de aprendizado supervisionado composto por um par de módulos da teoria da ressonância
adaptativa, ARTa-Fuzzy e ARTb-Fuzzy, que recebem e classificam as entradas (Ia) e saídas
desejadas (Ib) respectivamente, e o módulo de memória associativa inter-ART responsável por
verificar o casamento entre as entradas e saídas com as categorias existentes. Na figura 15
ilustra-se a arquitetura da RNA ARTMAP-Fuzzy (CARPENTER et al., 1992).
Figura 15 – Arquitetura da Rede Neural Artificial ARTMAP-Fuzzy.
Fonte: (LOPES, 2005).
Os tópicos a seguir descrevem os principais processos da rede neural artificial
ARTMAP-Fuzzy.
5.2.1 Dados de Entrada
A RNA ARTMAP utiliza duas entradas, sendo uma para o módulo ARTa-Fuzzy e outra
para o modulo ARTb-Fuzzy, em que, o modulo ARTa-Fuzzy é representado por um vetor 𝑎, (𝑎 =
[𝑎1 𝑎2 … 𝑎𝑀𝑎], sendo 𝑀𝑎 a dimensão do vetor 𝑎). Já a entrada do modulo ARTb-Fuzzy é
representada por 𝑏, (𝑏 = [𝑏1 𝑏2 … 𝑏𝑀𝑏], sendo 𝑀𝑏 a dimensão do vetor 𝑏). O módulo ARTb-
Fuzzy é usado como a saída desejada do modulo ARTa-Fuzzy (CARPENTER et al., 1992).
Nas equações (1) e (2), apresenta-se os vetores de entrada da RNA ARTMAP-Fuzzy que
são normalizados e complementados, sendo chamados de Ia e Ib, respectivamente:
39
𝑰𝒂 = [ 𝒂𝒄 ] = [𝒂𝟏 … 𝒂𝑴𝒂 𝒂𝟏𝒄 … 𝒂𝑴𝒂
𝒄 ] (1)
𝑰𝒃 = [ 𝒃𝒄 ] = [𝒃𝟏 … 𝒃𝑴𝒃
𝒃𝟏𝒄 … 𝒃𝑴𝒃
𝒄 ] (2)
5.2.2 Parametros da RNA ARTMAP-Fuzzy
A RNA ARTMAP-Fuzzy utiliza alguns parâmetros para o seu funcionamento, que são
descritos a seguir (CARPENTER et al., 1992):
Parâmetro de escolha α (α > 0): Atua na seleção de categorias;
Taxa de treinamento β (β ϵ [0, 1]): Controla a velocidade da adaptação da rede;
Parâmetro de vigilância ρa (ρa ϵ [0, 1]): Controla o número de categorias criadas no
modulo ARTa-Fuzzy;
Parâmetro de vigilância ρb (ρb ϵ [0, 1]): Controla o número de categorias criadas no
modulo ARTb-Fuzzy;
Parâmetro de vigilância ρab (ρab ϵ [0, 1]): Controla a ressonância entre os módulos
ART, ou seja, avalia o casamento entre a saída do modulo ARTa-Fuzzy e a saída do
modulo ARTb-Fuzzy.
5.2.3 Inicialização dos Pesos
Inicialmente os pesos devem receber valores igual a 1, representado que não existe
nenhuma categoria ativa (CARPENTER et al., 1992):
𝑾𝒋,𝟏𝒂 (𝟎) = ⋯ = 𝑾𝒋,𝟐𝑴𝒂
𝒂 (𝟎) = 𝟏 (3)
𝑾𝒌,𝟏𝒃 (𝟎) = ⋯ = 𝑾𝒌,𝟐𝑴𝒃
𝒃 (𝟎) = 𝟏 (4)
𝑾𝒋,𝟏𝒂𝒃(𝟎) = ⋯ = 𝑾𝒋,𝑵
𝒂𝒃 (𝟎) = 𝟏 (5)
sendo:
Ma: número de componentes do vetor a;
Mb: número de componentes do vetor b;
N : número de pares de treinamento da rede neural ARTMAP-Fuzzy.
5.2.4 Escolha da Categoria
A rede neural ARTMAP-Fuzzy possui uma arquitetura com dois módulos ART, sendo
um ARTa-Fuzzy e outro ARTb-Fuzzy, desta forma, é necessário criar os parâmetros de categorias
denominados de 𝑇𝑗𝑎 e 𝑇𝑘
𝑏, respectivamente (CARPENTER et al.,1992):
40
𝑻𝒋𝒂 =
|𝑰𝒂 ∧ 𝑾𝒋𝒂|
𝜶 + |𝑾𝒋𝒂|
(6)
𝑻𝒌𝒃 =
|𝑰𝒃 ∧ 𝑾𝒋𝒃|
𝜶 + |𝑾𝒋𝒃|
(7)
Através da criação das categorias, faz-se necessário que ocorra a busca por uma
categoria ativa (categoria vencedora), de modo que ocorra a ressonância (casamento) entre os
módulos:
𝑱 = 𝒎𝒂𝒙𝑻𝒋𝒂: 𝒋 = 𝟏, … , 𝑵 (8)
𝑲 = 𝒎𝒂𝒙𝑻𝒌𝒃: 𝒋 = 𝟏, … , 𝑵 (9)
Após definir as categorias ativas, cria-se o vetor de atividade do modulo ARTb que é
utilizado usado no teste de match tracking. O vetor de atividade é definido por 𝑌𝑏 =
[𝑦1𝑏 𝑦2
𝑏 … 𝑦𝑛𝑏]:
em que:
𝑦𝑘𝑏 = 1, para k = K
𝒚𝒌𝒃 = 0, para k ≠ K
(10)
5.2.5 Ressonância ou Reset da Rede ARTMAP-Fuzzy
Caso os critérios, referentes ao teste de vigilância (equação (11) para o módulo ARTa e
equação (12) para o módulo ARTb), forem aceitos, ocorre a ressonância da rede (CARPENTER
et al., 1992):
|𝑰𝒂 ∧ 𝑾𝒋𝒂|
|𝑰𝒂|≥ 𝝆𝒂 (11)
|𝑰𝒃 ∧ 𝑾𝒌𝒃|
|𝑰𝒃|≥ 𝝆𝒃 (12)
Em caso contrário, isto é, se o critério de vigilância não satisfaz a equação (11), ocorre
a escolha de uma nova categoria para o módulo ARTa utilizando a equação (8) e para excluir a
categoria ativa desta nova escolha é realizada uma a operação de reset, isto é, atribui-se o valor
zero para 𝑇𝑗𝑎 (𝑇𝑗
𝑎 = 0). Este processo é repetido até que o critério de vigilância seja satisfeito
para o modulo ARTa-Fuzzy (equação (11)).
O mesmo procedimento deverá ocorrer com o módulo ARTb-Fuzzy. Caso não ocorra a
ressonância, é feito o reset da categoria ativa em 𝑇𝑘𝑏 e realiza-se uma nova busca de categoria
usando a equação (9). O processo é realizado até que uma nova categoria satisfaça o critério do
teste de vigilância indicado na equação (12).
41
Após ocorrer a ressonância nos módulos ARTa-Fuzzy e ARTb-Fuzzy, ocorre outro teste
de match tracking, em que é avaliado se a saída do módulo ARTa se casou com a saída do
módulo ARTb-Fuzzy, observando-se o teste de vigilância dado pela equação (13):
|𝒚𝒃 ∧ 𝑾𝑱𝒂𝒃|
|𝒚𝒃|≥ 𝝆𝒂𝒃 (13)
5.2.6 Processo de Aprendizagem
Após ocorrer a ressonância da rede neural ARTMAP-Fuzzy, realiza-se um teste de
match tracking (equação (13)), onde ocorre a adaptação dos pesos dos módulos ARTa-Fuzzy e
ARTb-Fuzzy, e do módulo de memória associativa inter-ART conforme as equações a seguir
(CARPENTER et al., 1992):
𝑾𝑱𝒂 (𝒏𝒐𝒗𝒐)
= 𝜷(𝑰𝒂 ∧ 𝑾𝑱𝒂 (𝒗𝒆𝒍𝒉𝒐)
) + (𝟏 − 𝜷)𝑾𝑱𝒂 (𝒗𝒆𝒍𝒉𝒐)
(14)
𝑾𝑲𝒃 (𝒏𝒐𝒗𝒐)
= 𝜷(𝑰𝒃 ∧ 𝑾𝑲𝒃 (𝒗𝒆𝒍𝒉𝒐)
) + (𝟏 − 𝜷)𝑾𝑲𝒃 (𝒗𝒆𝒍𝒉𝒐)
(15)
𝑊𝐽,𝑘𝑎𝑏 = 1 para 𝑘 = 𝐾
𝑾𝑱,𝒌𝒂𝒃 = 𝟎 𝐩𝐚𝐫𝐚 𝒌 ≠ 𝑲
(16)
42
6 SISTEMAS IMUNOLÓGICOS ARTIFICIAIS
Este capítulo apresenta o conceito de Sistemas Imunológicos Artificiais (SIA),
enfocando a sua definição e o Algoritmo de Seleção Negativa (ASN).
6.1 Introdução
Há alguns anos, diversos pesquisadores especializados em ciência da computação,
realizaram pesquisas observando fenômenos da natureza, e se inspiraram para propor novos
métodos eficientes de solucionar os problemas em diversas áreas do conhecimento. Como
exemplo, pode-se citar, as redes neurais artificiais (RNA), os algoritmos evolutivos (AE), os
algoritmos genéticos (AG), a computação por DNA, o comportamento de colônia de formigas,
entre outros.
Entre os assuntos inspirados em fenômenos naturais, destacam-se os que se baseiam nos
mecanismos biológicos de defesa do corpo humano, que buscam conceitos e teorias capazes de
proporcionar o desenvolvimento e concepção de novos algoritmos e ferramentas para
solucionar os problemas (CASTRO, 2001; CASTRO; TIMMIS, 2002).
A partir destes conceitos foram propostas algumas arquiteturas e modelos de princípios
imunológicos para o desenvolvimento de técnicas computacionais, que buscam retratar as
funcionalidades, propriedades e mecanismos do sistema imunológico biológico. Tais
ferramentas são conhecidas como SIA (CASTRO, 2001).
Os SIA vêm sendo aplicados em diversas áreas, sendo que as principais delas são:
reconhecimento de padrões, análise de dados e clusterização, segurança computacional,
memórias associativas, programação e computação evolutiva, detecção de falhas e anomalias,
otimização de processos, controle, robótica e aprendizagem de máquina (CASTRO, 2001).
6.2 Definição de Sistemas Imunológicos Artificiais
Na última década, as pesquisas com sistemas imunológicos artificiais se consolidou.
Muitos trabalhos relevantes foram apresentados e surgiram muitas definições para os SIAs. A
seguir apresentam-se as definições mais relevantes (DASGUPTA, 2006):
43
Definição 1: “Os Sistemas imunológicos Artificiais são metodologias de manipulação
de dados, classificação, representação e raciocínio que seguem um paradigma biológico
plausível: o sistema imunológico humano” (HOFMEYR, 2000).
Definição 2: ”Um sistema imunológico artificial é um sistema computacional baseado
em metáforas do sistema imunológico natural” (TIMMIS, 2000).
Definição 3: ”Os sistemas imunológicos artificiais são compostos por metodologias
inteligentes, inspiradas no sistema imunológico biológico, para a solução de problemas do
mundo real” (DASGUPTA, 1998).
Uma outra abordagem para os SIAs foi apresentada em (CASTRO, 2001). Neste
trabalho é apresentado um novo modelo, denominado de engenharia imunológica (EI)
(CASTRO, 2001).
Segundo Castro (2001) pode-se definir a engenharia imunológica como sendo um
processo de metassíntese, o qual vai definir a ferramenta de solução de um determinado
problema baseado nas características do próprio problema, e depois aplicá-las na obtenção da
solução. Ao invés de buscar a reconstrução parcial ou total do sistema imunológico tão
fielmente quanto possível, a engenharia imunológica deve procurar desenvolver e implementar
modelos pragmáticos inspirados no sistema imunológico que preservem algumas de suas
propriedades essenciais e que se mostrem passíveis de implementação computacional e eficazes
no desenvolvimento de ferramentas de engenharia.
É evidente que esta proposta visa modelar genericamente os componentes do sistema
imunológico visando a formalização e o desenvolvimento de novas ferramentas de engenharia
imunológica. Destaca-se que o objetivo central da engenharia imunológica é estudar um único
tipo celular, as células B, e os seus mecanismos de reconhecimento (CASTRO, 2001).
6.3 Algoritmo de Seleção Negativa (ASN)
O Algoritmo de Seleção Negativa (ASN) foi proposto por Forrest et al. (1994), para
detecção de mudanças em estados de sistemas computacionais. Esta técnica se inspira no
processo de seleção negativa de linfócitos T, que ocorre no timo, este processo representa a
discriminação que o organismo realiza com as células do corpo, entre próprias e não-próprias.
O ASN é uma técnica que se baseia no processo de reconhecimento de padrões exercido pelo
sistema imunológico biológico, sendo elaborado como um modelo computacional. O algoritmo
é executado em duas fases, como descrito na sequência (CASTRO, 2001; LIMA, 2013):
44
1. Censoriamento
a) Definir o conjunto de cadeias próprias (S) que se deseja proteger;
b) Gerar cadeias aleatórias e avaliar a afinidade (match) entre cada uma delas e as
cadeias próprias. Caso a afinidade seja superior a um limiar estipulado, rejeitar a cadeia. Caso
contrário, armazene-a em um conjunto de detectores (R).
2. Monitoramento
a) Dado o conjunto de cadeias que se deseja proteger (cadeias protegidas), avaliar a
afinidade entre cada uma delas e o conjunto de detectores. Se a afinidade for superior a um
limiar preestabelecido, então um elemento não-próprio é identificado.
Nas figuras 16 e 17 ilustram-se os diagramas de blocos das fases de censoriamento e
monitoramento do ASN.
Figura 16 – Diagrama de blocos da fase de censoriamento do ASN.
Gere Cadeias
Aleatoriamente
Casou ?
(Match)
Cadeias
Próprias (S)
RejeiteConjunto de
Detectores (R)
Não
Sim
Fonte: (CASTRO, 2001; LIMA, 2013).
Figura 17 - Diagrama de blocos da fase de monitoramento do ASN.
Cadeias
Protegidas (S)
Casou ?
(Match)
Conjunto de
Detectores (R)
Não-próprio
Detectado
Sim
Não
Fonte: (CASTRO, 2001; LIMA, 2013).
45
Na fase de censoriamento do ASN, são definidos, inicialmente, os detectores próprios,
que representam a condição normal do organismo, sendo conhecidos como cadeias próprias
(S). O objetivo principal desta etapa é gerar um conjunto de padrões detectores (R), que
possuam a capacidade de identificar algum padrão não-próprio, na fase de monitoramento do
ASN. Desta forma, a partir da leitura dos dados, escolhem-se cadeias aleatoriamente e verifica-
se a afinidade entre estas cadeias e o conjunto de cadeias próprias (S) comparando-as. Caso a
afinidade seja superior a um limiar pré-estipulado (taxa de afinidade), está cadeia é rejeitada.
Em caso contrário, está cadeia é aceita no conjunto de detectores (R), e será utilizada no
processo de classificações durante o monitoramento dos dados. Os detectores são análogos às
células do tipo T maturadas capazes de reconhecer agentes patogênicos, isto é, detectar
praticamente qualquer elemento não-próprio, uma modificação ou erro nos dados que se deseja
monitorar (LIMA et al., 2013).
Na fase de monitoramento, faz-se um monitoramento nos dados visando identificar
mudanças no comportamento das amostras e, então, classificar estas mudanças utilizando o
conjunto de detectores criados na etapa de censoriamento. Assim, analisando-se as cadeias
protegidas (S) e comparando-as com o conjunto de detectores (R), avalia-se a afinidade entre
cada uma das cadeias. Se a afinidade entre as cadeias for superior a um limiar pré-estabelecido,
um elemento não-próprio é identificado e classificado. As fases de censoriamento e de
monitoramento do ASN são realizadas em modo off-line e online, respectivamente (CASTRO;
TIMMIS, 2002).
6.4 Critério de casamento e taxa de afinidade
Para avaliar a afinidade entre as cadeias (antígeno e anticorpo) e comprovar que elas são
semelhantes/iguais, utiliza-se o critério conhecido como casamento ou combinação. Este
casamento pode ser perfeito ou parcial.
No casamento perfeito todas as posições das cadeias em análise devem ter os mesmos
valores, ou seja, ambas as cadeias devem ser perfeitamente iguais. No casamento parcial,
apenas uma quantidade de posições entre os padrões deve possuir o mesmo valor para se
confirmar o casamento, sendo esta quantidade definida previamente. Esta quantidade é
denominada taxa de afinidade.
46
Neste trabalho, escolheu-se utilizar o conceito de casamento parcial e afinidade proposto
em por Bradley e Tyrrell (2002), pois nas análises realizadas neste trabalho utilizam-se valores
reais.
A taxa de afinidade é definida como sendo o grau de semelhança necessário para que
ocorra o casamento entre as duas cadeias. No artigo de Bradley e Tyrrell (2002) a taxa de
afinidade (TAf) é definida conforme a equação (17):
100*
At
AnTAf (17)
sendo:
TAf : taxa de afinidade;
An : número de cadeias normais no problema (cadeias próprias);
At : número total de cadeias no problema (cadeias próprias e não-próprias).
A equação (17) quantifica de forma correta o valor da taxa de afinidade para o problema
proposto, onde tem-se uma relação estatística entre as amostras do problema.
Visando tornar o processo mais dinâmico e eficiente foi proposto um desvio vinculado
ao anticorpo (padrão detector), de modo que, uma tolerância para mais e para menos, na qual é
possível aceitar a combinação entre os padrões fosse utilizada para avaliar a afinidade.
Conforme apresentado na equação (18). Este desvio atua individualmente em cada posição i do
vetor, permitindo avaliar o casamento ponto por ponto (LIMA et al., 2013).
iii AbAgAb (18)
Sendo:
iAg : valor nominal da posição i do antígeno (padrão em análise);
iAb : valor nominal da posição i menos o desvio adotado no anticorpo (padrão detector);
iAb : valor nominal da posição i mais o desvio adotado no anticorpo (padrão detector).
Assim, caso o valor da posição i do antígeno estiver dentro do intervalo expresso na
equação (18) pode considerar o casamento para esta posição. Desta forma é possível quantificar
a afinidade entre os padrões, analisando posição por posição.
Na equação (19) apresenta-se a medida de afinidade total utilizada para avaliar os
padrões em análise (BRADLEY; TYRRELL, 2002):
47
100*1
L
Pc
Af
L
i
T
(19)
sendo:
TAf : % de afinidade entre os padrões analisados;
L : quantidade total de posições;
Pc : posição casada;
L
i
Pc1
: somatório (quantidade) das posições casadas.
Então, caso TAf seja maior ou igual a TAf ocorre o casamento entre os padrões, e
ambos são considerados semelhantes. Em caso contrário, isto é, se a TAf for menor que a TAf
, o anticorpo (detector) não reconhece o antígeno, portanto não ocorre o casamento entre os
padrões.
48
7 METODOLOGIA PROPOSTA
Neste capítulo apresenta-se a descrição das metodologias propostas neste trabalho para
o monitoramento da integridade de estruturas mecânicas e aeronáuticas utilizando conceitos
baseados na rede neural artificial ARTMAP-Fuzzy e no algoritmo de seleção negativa.
7.1 SHM Baseado na Rede Neural Artificial ARTMAP-Fuzzy
O sistema de monitoramento da integridade estrutural apresentado neste tópico é
baseado nas RNAs, em especial a rede neural artificial ARTMAP-Fuzzy (CARPENTER et al.,
1992), que foi apresentada no capítulo 5 deste trabalho.
Tendo como base esta rede neural, o sistema de SHM é composto por duas fases, sendo
o treinamento da rede ARTMAP-Fuzzy e o monitoramento dos dados da rede ARTMAP-Fuzzy.
Na fase de treinamento ocorre o aprendizado da rede, obtendo-se as matrizes de peso, que
representam o conhecimento da rede neural ARTMAP-Fuzzy, que será utilizado no processo
de monitoramento.
No monitoramento dos dados da rede ARTMAP-Fuzzy analisa-se em tempo real os
sinais, verificando-se o casamento entre o sinal e a associação dos pesos, e uma vez que o sinal
se casa, ocorre a classificação do mesmo.
É importante destacar que para o processo de treinamento e diagnóstico da rede neural
ARTMAP-Fuzzy são utilizados dois bancos de dados diferentes, ou seja, o banco de dados
apresentado no capítulo 4 deste trabalho é dividido em duas porções, sendo uma de 70% e outra
de 30%, para serem utilizadas no treinamento e diagnóstico, respectivamente.
A seguir apresentam-se as fases de treinamento e monitoramento do SHM baseado na
rede neural artificial ARTMAP-Fuzzy.
7.1.1 Fase de Treinamento do SHM ARTMAP-Fuzzy
Neste tópico apresenta-se a fase de treinamento do SHM ARTMAP-Fuzzy que é
composto por dois módulos, sendo o módulo de entrada e o módulo de treinamento, conforme
ilustrado na figura 18.
O módulo de entrada ou aquisição de dados é composto pelo aparato experimental para
capturar os sinais na estrutura, conforme foi descrito no capítulo 4 deste trabalho.
49
O módulo de treinamento da rede neural ARTMAP-Fuzzy é realizado de forma off-line
e serve para ajustar os pesos e criar as categorias (conhecimento) que serão utilizadas no
diagnóstico dos dados. Neste módulo a rede é treinada com um conjunto de dados e será gerada
uma quantidade de categorias igual a de sinais de entrada.
Figura 18 – Fluxograma da fase de treinamento do SHM ARTMAP-Fuzzy.
Fonte: Elaboração do próprio autor.
7.1.2 Fase de Monitoramento do SHM ARTMAP-Fuzzy
A fase de monitoramento do SHM ARTMAP-Fuzzy é dividida em duas etapas, sendo o
módulo de entrada e o módulo de monitoramento, responsável por realizar o diagnóstico dos
sinais, classificando-os em condição normal ou falha estrutural. O fluxograma de
funcionamento desta fase do SHM ARTMAP-Fuzzy é ilustrado na figura 19.
A partir do módulo de aquisição de dados obtém-se os sinais que são apresentados ao
módulo de monitoramento.
O módulo de diagnóstico da rede neural ARTMAP-Fuzzy é realizado de forma online.
Neste módulo um novo conjunto de sinais diferente do conjunto de treinamento deve ser
apresentado a rede, e cada sinal será analisado individualmente. Todos os sinais apresentados
50
para a rede ARTMAP-Fuzzy são comparados com o conhecimento (categorias criadas na fase
de treinamento) obtido pela rede neural ARTMAP-Fuzzy e assim quando houver um casamento
entre os padrões, deve-se classificar o sinal através da categoria que o mesmo se casou. Ao
obter a categoria que o padrão se casou, teremos a classificação do mesmo, ou seja, um sinal
normal ou uma falha estrutural.
Figura 19 – Fluxograma da fase de diagnóstico do SHM ARTMAP-Fuzzy.
Fonte: Elaboração do próprio autor.
7.2 SHM Baseado no Algoritmo de Seleção Negativa
O sistema de SHM apresentado neste tópico é baseado nos SIA, especialmente no
algoritmo de seleção negativa (FORREST et al., 1994), que foi apresentado no capítulo 6 deste
trabalho. Tendo como base este algoritmo, o sistema de diagnóstico é composto por duas fases,
sendo o censoriamento e o monitoramento dos dados. Na fase de censoriamento realiza-se um
censo nos dados, criando um conjunto de detectores, para identificação das anomalias no
processo de monitoramento.
51
Na fase de monitoramento os dados são analisados em tempo real, sendo comparados
com o conjunto de detectores criados na fase de censoriamento, visando apresentar um
diagnóstico (tomada de decisão) através da discriminação próprio/não-próprio.
A seguir apresenta-se o cálculo da taxa de afinidade, e as fases de censoriamento e
monitoramento do SHM ASN proposto neste trabalho.
7.2.1 Cálculo da Taxa de Afinidade do SHM ASN
Para este SHM proposto será utilizado o conceito de casamento parcial e afinidade
apresentado em (BRADLEY; TYRRELL, 2002). Para calcular o valor da taxa de afinidade
utiliza-se a definição apresentada na equação (17).
Levando em consideração as configurações do conjunto de testes, obtêm-se os seguintes
valores: At = 450 e An = 300.
O resultado do cálculo da taxa de afinidade é apresentado na equação (20):
%6,66100*450
300
TAf (20)
O valor da taxa de afinidade é de 66,6%, e isto significa que para atestar um casamento
entre dois padrões é necessário que no mínimo 66,6% dos pontos detectores estejam casados.
Ressalta-se que a afinidade pode ser calculada com base em um cálculo estatístico, como
apresentado neste tópico, ou simplesmente é possível escolher um valor arbitrário. Não existe
nenhuma regra para definir a afinidade necessária para se confirmar um casamento, pois a cada
tipo de problema existe um contexto diferente. Mais neste trabalho optou-se por utilizar a taxa
de afinidade calculada pela equação (20).
7.2.2 Fase de Censoriamento do SHM ASN
Neste tópico apresenta-se a fase de censoriamento do SHM ASN que é composto por dois
módulos, sendo o módulo de entrada e o módulo de censoriamento, conforme ilustrado na figura
20.
O módulo de entrada ou aquisição de dados é composto pelo aparato experimental para
capturar os sinais na estrutura, conforme foi descrito no capítulo 4 deste trabalho.
O módulo de censoriamento é realizado de forma off-line e serve para gerar o conjunto
de detectores próprios que será utilizado no monitoramento dos dados. O conjunto de detectores
próprios é constituído de sinais que possuem a característica normal da estrutura, ou seja, sem
52
falha (base-line). Neste contexto, gera-se o conjunto de detectores próprios escolhendo-se
aleatoriamente sinais normais não repetidos do banco de dados.
Ressalta-se que a quantidade de detectores utilizados é determinada pelo operador do
SHM. No entanto, recomenda-se utilizar de 1 a 30% dos dados disponíveis. O critério de
casamento utilizado é o casamento parcial proposto por (BRADLEY; TYRRELL, 2002), no
qual se utiliza um desvio de 3% nos padrões detectores (LIMA et al., 2013).
Figura 20 – Fluxograma da fase de censoriamento do SHM ASN.
Fonte: Elaboração do próprio autor.
7.2.3 Fase de Monitoramento do SHM ASN
A fase de monitoramento é dividida em duas etapas, sendo o módulo de entrada ou
aquisição de dados e o módulo de detecção, responsável por realizar a discriminação
próprio/não-próprio, identificando as falhas estruturais. O fluxograma de funcionamento desta
fase do SHM ASN é ilustrado na figura 21.
53
Figura 21 – Fluxograma da fase de monitoramento do SHM ASN.
Fonte: Elaboração do próprio autor.
Após realizar a aquisição do sinal é executado o módulo de detecção de falhas, onde se
comparam os sinais em análise com os detectores próprios (sinais base-line) visando identificar
o casamento entre os sinais. Caso o casamento e a afinidade seja superior a taxa de afinidade,
os sinais em análise são considerados iguais/combinados, desta forma, o mesmo é classificado
como a condição normal da estrutura, pois apresenta as características do conjunto de detectores
próprios. Em caso contrário o sinal é classificado como uma anormalidade, ou seja, como uma
falha estrutural. Este módulo retorna um diagnóstico dos sinais analisados em próprios
(condição normal da estrutura) e não-próprios (estrutura apresentando a característica de
falhas).
54
Nesta etapa do SHM, utiliza-se o critério de casamento parcial proposto por
(BRADLEY; TYRRELL, 2002), adotando-se um desvio de 3% nos detectores (LIMA et al.,
2013).
55
8 RESULTADOS
Neste capítulo apresentam-se os testes e resultados obtidos, através da aplicação das
metodologias propostas nos sinais da base de dados apresentada no capítulo 4. Todas os testes
foram realizados utilizando um PC Intel Core 2 Duo, 1.9 GHz, 2 GB de Memória RAM, e
sistema operacional Windows 7 Ultimate, 32 bits.
Os dois sistemas de SHM propostos neste trabalho foram desenvolvidos em
MATLAB® (MATLAB, 2011).
A seguir encontram-se descritos os testes e resultados obtidos para os SHMs propostos
neste trabalho.
8.1 Conjunto de testes
O conjunto de testes para avaliação dos SHMs propostos neste trabalho é composto
pelos sinais do banco de dados gerados a partir dos experimentos realizados em laboratório
descritos no capítulo 4 deste trabalho.
O conjunto de testes é composto por 450 sinais, sendo 300 sinais em condição normal
(base line) e 150 sinais sob a condição de falha estrutural.
Para avaliar o SHM ARTMAP-Fuzzy o conjunto de testes foi dividido na proporção
70%-30%, totalizando 315 sinais para o treinamento e 135 para o diagnóstico. Na tabela 3
apresenta-se a disposição dos sinais para o conjunto de treinamento e o conjunto de
diagnóstico da rede neural ARTMAP-Fuzzy.
Tabela 3 – Disposição do conjunto de testes para o SHM ARTMAP-Fuzzy.
Conjunto de testes Treinamento Diagnóstico
Sinais normais 210 90
Sinais em falha 105 45
Total de sinais 315 135 Fonte: Elaboração do próprio autor.
Para avaliar o SHM ASN o conjunto de testes foi utilizado em sua configuração
original.
56
8.2 Resultados para o SHM Baseado na Rede Neural Artificial ARTMAP-Fuzzy
Nos testes realizados com o SHM ARTMAP-Fuzzy o objetivo foi avaliar a metodologia
proposta, verificando a eficiência, precisão e o tempo computacional no processo de
monitoramento da integridade estrutural. Neste sentido, utilizou-se os parâmetros apresentados
na tabela 4.
Tabela 4 – Parâmetros o SHM ARTMAP-Fuzzy.
Parâmetros Valor
α 0,1
β 1,0
ρa 0,8
ρb 1,0
ρab 1,0 Fonte: Elaboração do próprio autor.
Os valores dos parâmetros apresentados na tabela 4 foram obtidos a partir de uma fase
de testes para identificar os melhores valores.
Para treinar a rede foi utilizado um conjunto de dados com 315 sinais, sendo 210 sinais
da estrutura em condições normais (base-line) e 90 sinais da estrutura em falha. Este conjunto
de dados corresponde a 70% dos dados disponíveis. Para avaliar a rede neural ARTMAP-Fuzzy
na fase de diagnóstico foi utilizado um conjunto de dados com 135 sinais, sendo 90 sinais da
estrutura sem falha e 45 sinais da estrutura em falha. Estes dados utilizados nos testes
representam 30% dos dados disponíveis.
Na tabela 5 apresentam-se os resultados obtidos pelo sistema SHM ARTMAP-Fuzzy no
processo de monitoramento da integridade de estruturas mecânicas e aeronáuticas para a sua
melhor configuração.
Tabela 5 - Resultados obtidos pelo método SHM ARTMAP-Fuzzy.
Amostras
Testadas
Classificações
Corretas Acerto (%)
Tempo de
Processamento
Fase de
Treinamento 315 315 100,00 670,5
Fase de
Diagnóstico 135 133 98,51% 141,40
Fonte: Elaboração do próprio autor.
Os resultados apresentados foram obtidos com a melhor configuração da rede neural
ARTMAP-Fuzzy. O resultado foi obtido através de um teste de referência cruzada, onde o
sistema foi executado 20 vezes a fim de garantir a veracidade dos resultados. Foi possível
57
observar que o SHM ARTMAP-Fuzzy apresenta um bom desempenho, com um índice de acerto
igual a 98,51% em sua fase de diagnóstico.
Ao utilizar uma rede neural ARTMAP-Fuzzy, sugere-se utilizar 70% dos dados para o
treinamento e 30% para o diagnóstico. Quanto mais conhecimento obtido no treinamento, mais
eficiente é o processo de diagnóstico.
Por fim, destaca-se que o SHM ARTMAP-Fuzzy é executado com um tempo inferior a
142 milésimos de segundo, o que é muito útil para aplicações reais, pois as decisões precisam
ser tomadas em tempo hábil para evitar tragédias e catástrofes.
8.3 Resultados para o SHM Baseado no Algoritmo de Seleção Negativa
Nos testes realizados com o SHM ASN o objetivo foi avaliar a metodologia proposta,
verificando a eficiência, precisão e o tempo computacional em relação a diferentes
configurações do conjunto de detectores, isto é, informações que são utilizadas como
conhecimento pelo algoritmo de seleção negativa.
Desta forma, foram gerados três conjuntos de detectores (CD1, CD2 e CD3) utilizando
10%, 20% e 30% das informações disponíveis (banco de dados de sinais), totalizando 30, 60 e
90 detectores respectivamente. Os valores dos parâmetros utilizados para os testes com o SHM
ASN são apresentados na tabela 6.
Tabela 6 – Parâmetros o SHM ASN.
Parâmetros Valor
TAf 66,66%
ε 3%
CD1 30 padrões
CD2 60 padrões
CD3 90 padrões Fonte: Elaboração do próprio autor.
Na tabela 7 apresentam-se os resultados obtidos pelo SHM ASN no processo de
monitoramento da integridade estrutural de estruturas mecânicas e aeronáuticas.
Tabela 7 – Resultados obtidos pelo SHM ASN.
Amostras
Testadas
Classificações
próprio
Classificações
não-próprio
Classificações
Corretas
Acerto
(%)
Tempo de
Processamento
CD1 450 299 138 437 97,11 96,56
CD2 450 300 141 441 98,00 98,47
CD3 450 300 146 446 99,11 97,93 Fonte: Elaboração do próprio autor.
58
Os resultados apresentados na tabela 7, representam os resultados de um teste cruzado
que foi realizado, ao executar 20 vezes o SHM ASN para cada conjunto de detectores, a fim de
garantir a veracidade dos resultados.
É possível observar que o SHM ASN apresenta um bom desempenho (índice de acerto
igual a 99,11% para a melhor configuração), e que a quantidade de detectores influência
diretamente no processo de diagnóstico das falhas. Desta forma, sugere-se utilizar 30% das
informações do banco de dados para gerar o conjunto de detectores, visando proporcionar
robustez ao sistema. Quanto mais conhecimento disponível, mais eficiente é o processo de
diagnóstico do SHM ASN.
Por fim, destaca-se que o SHM é executado com um tempo inferior a 100 milésimos de
segundo, o que proporciona a aplicação deste sistema em tempo real, já que as decisões
precisam ser tomadas em tempo hábil para evitar tragédias e catástrofes.
8.4 Discussão e Análise dos Resultados
Na tabela 8 apresentam-se os melhores resultados encontrados após realizar todos os
testes com os SHMs propostos neste trabalho.
Tabela 8 – Melhor resultados encontrados.
SHM ARTMAP-Fuzzy SHM ASN
Acerto (%) 98,51% 99,11%
Fonte: Elaboração do próprio autor.
Os resultados obtidos para os testes realizados neste trabalho são satisfatórios e
comprovam que os SHMs propostos baseados na rede neural ARTMAP-Fuzzy e no algoritmo
de seleção negativa são eficientes no processo de monitoramento da integridade estrutural de
estruturas mecânicas e aeronáuticas.
Realizando uma comparação entre os SHMs propostos pode-se levantar os seguintes
aspectos:
Ambos os SHMs são eficientes, com um bom índice de acerto, considerando que
são utilizados sinais obtidos a partir de medições em um sistema real para realizar a
sua avaliação;
O SHM ARTMAP-Fuzzy apresenta uma boa eficiência, que pode ser melhorada
com o acréscimo de sinais em seu processo de treinamento, pois quanto mais
conhecimento, melhor o processo de diagnóstico;
59
O SHM ASN apresenta robustez, pois utilizando 30% da informação disponível o
mesmo é capaz de diagnosticar quase 100% dos sinais;
Ambos os SHMs são executados com um tempo de processamento muito baixo,
credenciando ambas as ferramentas a serem aplicadas em situações reais, pois a
tomada de decisão deve ser tomada instantaneamente, evitando catástrofes;
Ambas as técnicas de inteligência computacional empregadas no desenvolvimento
dos SHMs propostos são eficientes, pois foram capazes de realizar a análise de sinais
reais, que podem sofrer interferências de ruídos ambientais;
Destaca-se que foi possível realizar a implementação do SHM ARTMAP-Fuzzy da
forma o qual foi proposto, devido ao pré-processamento realizado nos sinais do
banco de dados com a transformada FRF, pois anteriormente os sinais possuíam
250.000 pontos, o que seria complementado, gerando uma entrada de 500.000
pontos na rede neural ARTMAP-Fuzzy, o que seria impossível de se executar em
configurações de hardware existentes nos computadores atualmente;
O SHM ASN apresenta outra vantagem em relação ao SHM ARTMAP-Fuzzy, no
sentido de conseguir processar sinais com 250.000 pontos, pois o mesmo trabalha
com uma análise ponto-a-ponto.
60
9 CONCLUSÕES
Nesta dissertação foram apresentados dois métodos para realizar o monitoramento da
integridade estrutural de estruturas mecânicas e aeronáuticas, baseados em técnicas de
computação inteligente como as redes neurais artificiais e os sistemas imunológicos artificias.
Neste contexto empregou-se a rede neural artificial ARTMAP-Fuzzy o algoritmo de
seleção negativa que apresentaram excelentes resultados, obtendo índices de acerto de 98,51%
e 99,11% respectivamente, para a melhor configuração dos SHMs proposto.
Para o SHM ARTMAP-Fuzzy a fase de treinamento é a que demanda maior tempo
computacional, já a fase de monitoramento do SHM ARTMAP-Fuzzy, a partir da aquisição dos
sinais, é realizada rapidamente, com tempo inferior a 142 milésimos de segundo, o que facilita
sua aplicação em tempo real.
Para o SHM ASN a fase de geração de detectores (censoriamento) é a que demanda
maior tempo computacional, no entanto é executada de forma off-line não acarretando prejuízo
ao algoritmo. A fase de monitoramento do SHM ASN, a partir da aquisição dos sinais, é
realizada rapidamente, com tempo inferior a 100 milésimos de segundo, o que credencia o SHM
ASN a ser uma ferramenta utilizada em tempo real.
Deve-se destacar que os parâmetros utilizados nos SHMs propostos precisam ser
cuidadosamente calibrados, pois um parâmetro mal escolhido pode prejudicar o desempenho
do sistema.
Desta forma, conclui-se que os SHMs propostos neste trabalho baseados em técnicas de
computação inteligentes são eficientes, confiáveis, robustos e precisos para realizar o
monitoramento da integridade de estruturas mecânicas e aeronáuticas.
Por fim, ressalta-se que este trabalho contribui para a área de pesquisa em SHM,
apresentando duas novas abordagens parar realizar o monitoramento de estruturas utilizando
redes neurais artificiais e sistemas imunológicos artificiais.
Agora pretende-se estender os conhecimentos obtidos nesta dissertação para outros
problemas, conforme descrito a seguir:
61
9.1 Sugestões para trabalhos futuros
Para complementar e dar sequência a esta pesquisa, sugerem-se os seguintes tópicos:
Aplicar os SHMs propostos no monitoramento e análise de falhas em outros
problemas, tais como: edifícios e pontes;
agregar um módulo wavelet aos SHMs propostos para realizar um pré-
processamento nos sinais do banco de dados, visando realizar o diagnóstico no
mundo wavelet;
investigar a possibilidade de aplicação dos SHMs proposto em ambiente de caráter
antecipatório;
aplicar o conceito de aprendizagem contínua, proporcionando que novas falhas
estruturas sejam contempladas, sem a necessidade de reiniciar o processo de
aprendizado, ou seja, capacitar o sistema em caráter adaptativa.
62
REFERÊNCIAS
BAPTISTA, F. G. Uma Contribuição aos sistemas de monitoramento de integridade
estrutural baseados na impedância eletromecânica. 2010. 93 f. Tese (Doutorado em
Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista - UNESP, de
Ilha Solteira, 2010.
BRADLEY, D. W.; TYRRELL, A. M. Immunotronics - novel finite-state-machine
architectures with built-in self-test using self-nonself differentiation. IEEE Transactions on
Evolutionary Computation, New York, v. 6, n. 3, p. 227-238, 2002.
CARPENTER, G. A.; GROSSBERG, S.; MARKUZON, N.; REYNOLD, J. H.; ROSEN, D.
B. Fuzzy ARTMAP: a neural network for incremental supervised learning of analog
multidimensional maps. IEEE Transactions on Neural Network, New York, v. 3, n. 5, p.
689-713, 1992.
CARPENTER, G. A.; GROSSBERG, S. A massively parallel architecture for a self-
organizing neural pattern recognition machine. Computer Vision, Graphics, and Image
Processing, Maryland Heights, v. 37, n. 1, p. 54-115, 1987.
CASTRO, L. N.; TIMMIS, J. Artificial immune systems: a new computational intelligence
approach. New York: Springer, 2002. 357 p.
CASTRO, L. N. Engenharia imunológica: desenvolvimento e aplicação de ferramentas
computacionais inspiradas em sistemas imunológicos artificiais. 2001. 286 f. Tese
(Doutorado) - Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de
Campinas, Campinas, 2001.
CASTRO, L. N. Análise e síntese de estratégias de aprendizado para redes neurais
artificiais. 1988. 248 f. Dissertação (Mestrado) - Faculdade de Engenharia Elétrica e de
Computação, Universidade Estadual de Campinas, Campinas, 1998.
63
CHANDRASHEKHAR, M.; GANGULI, R. Structural damage detection using modal
curvature and fuzzy logic. Structural Health Monitoring, London, v. 8, n. 4, p. 267-282,
2009.
CHEN, H. G.; YAN, Y. J.; CHEN, W. H.; JIANG, J. S.; YU, L.; WU, Z. Y. Early damage
detection in composite wingbox structures using Hilbert-Huang transform and genetic
algorithm. Structural Health Monitoring, London, v. 6, n. 4, p. 281-297, 2007.
DASGUPTA, D. Artificial immune systems and their applications. New York: Springer-
Verlag, 1998. 306 p.
DASGUPTA, D. Advances in artificial immune systems. IEEE Computational Intelligence
Magazine, New York, v. 1, n. 4, p. 40-49, 2006.
FLYNN, E.; TODD, M. Optimal placement of piezoelectric actuators and sensors for
detecting damage in plate structures. Journal of Intelligent Material Systems and
Structures, London, v. 21, n. 1, p. 1-10, 2009.
FRANCO, V. R. Monitoramento da integridade de estruturas aeronáuticas. 2009. 205 f.
Dissertação (Mestrado em Engenharia Mecânica) - Faculdade de Engenharia, Universidade
Estadual Paulista - UNESP, Ilha Solteira, 2009.
FRANCO, V. R.; BUENO, D. D.; BRENNAN, M. J.; CAVALINI JR., A. A.; GONSALEZ,
C. G.; LOPES JUNIOR, V. Experimental damage location in smart structures using Lamb
waves approaches. In: BRAZILIAN CONFERENCE ON DYNAMICS, CONTROL AND
THEIR APPLICATIONS – DINCON, 8., 2009, Bauru. Anais DINCON… Bauru: SBMAC,
2009. p. 1-4.
FORREST, S. A.; PERELSON, A. L.; CHERUKURI, R. Self-nonself discrimination in a
computer. In: IEEE SYMPOSIUM ON RESEARCH IN SECURITY AND PRIVACY, 1.,
1994, Oakland. Proceedings… Oakland: IEEE, 1994. p. 202-212.
64
FRISWELL, M. I.; PENNY, J. E. T. The practical limits of damage detection and location
using vibration data. In: VPI&SU SYMPOSIUM ON STRUCTURAL DYNAMICS AND
CONTROL, 11., 1997, Blacksburg. Proceedings… Blacksburg: VirginiaTech Publisher,
1997. p. 1-10.
FURTADO, R. M. Identificação de falhas estruturais usando sensores e atuadores
piezelétricos e redes neurais artificiais. 2004. 144 f. Dissertação (Mestrado em Engenharia
Mecânica) - Faculdade de Engenharia, Universidade Estadual Paulista- UNESP, Ilha Solteira,
2004.
GIURGIUTIU, V. Tuned lamb wave excitation and detection with piezoelectric wafer active
sensors for structural health monitoring. Journal of Intelligent Material Systems and
Structures, London, v. 16, n. 4, p. 291–305, 2005.
GIURGIUTIU, V.; CUC, A. Embedded non-destructive evaluation for structural health
monitoring, damage detection, and failure prevention. The Shock and Vibration Digest,
Ipswich, v. 37, n. 2, p. 83-105, 2005.
GONSALEZ, C. G. Metodologias para reconhecimento de padrões em sistemas de SHM
utilizando a técnica da impedância eletromecânica (E/M). 2012. 117 f. Dissertação
(Mestrado em Engenharia Mecânica) - Faculdade de Engenharia, Universidade Estadual
Paulista - UNESP, Ilha Solteira, 2012.
HALL, S. R. The effective management and use of structural health data. In:
INTERNATIONAL WORKSHOP ON STRUCTURAL HEALTH MONITORING, 2., 1999,
New York. Proceedings… New York: VirginiaTech Publisher, 1999. p. 265-275.
HAYKIN, S. Neural networks and learning machines. 3. ed. New York: Prentice-Hall,
2008. 936 p.
HOFMEYR, S. A. An interpretative introduction to the immune system. In: COHEN, I.;
SEGEL, L. A. (Ed.). Design principles for the immune system and other distributed
autonomous systems. Oxford: Oxford University, 2000. 20 p.
65
KRAWCZUK, M.; OSTACHOWICZ, W.; KAWIECKI, G. Detection of delaminations in
cantilevered beams using soft computing methods. In: CONFERENCE ON SYSTEM
IDENTIFICATION AND STRUCTURAL HEALTH MONITORING, 3., 2000, Madrid.
Proceedings… Madrid: Universidad Complutense de Madrid, 2000. p. 243–252.
LEE, J.; KIM, S. Structural damage detection in the frequency domain using neural networks.
Journal of Intelligent Material Systems and Structures, London, v. 18, n. 1, p. 785-792,
2007.
LIMA, F. P. A. Análise de distúrbios de tensão em sistemas de distribuição de energia
elétrica baseada em sistemas imunológicos artificiais. 2013. 169 f. Dissertação (Mestrado
em Engenharia Elétrica) - Faculdade de Engenharia, Universidade Estadual Paulista -
UNESP, Ilha Solteira, 2013.
LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, S. S. F.; SOUZA, A. S. E.; LOPES, M. L.
M. Artificial immune systems applied to the analysis of structural integrity of a building.
Applied Mechanics and Materials, Hong Kong, v. 472, s/n, p. 544-549. 2014c.
LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L.
M. Artificial immune systems with negative selection applied to health monitoring of
aeronautical structures. Advanced Materials Research, Hong Kong, v. 871, s/n, p. 283-289.
2013b;
LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L.
M. ARTMAP-fuzzy artificial neural network applied to the monitoring and fault identification
in structural. Lecture Notes in Information Technology, Jeju Island, v. 39, n. 1, p. 3-9.
2013a;
LIMA, F. P. A.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L. M.; CHAVARETTE, F.
R. Monitoramento da integridade de estruturas aeronáuticas utilizando um método inteligente
baseado em sistemas imunológicos artificiais. In: CONGRESSO DE MATEMÁTICA
APLICADA E COMPUTACIONAL - CMAC, 1., 2014, Curitiba. Anais... Curitiba:
SBMAC, 2014. v. 1, p. 1-6.
66
LIMA, F. P. A.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L. M.; CHAVARETTE, F.
R. Diagnóstico de falhas em estruturas mecânicas utilizando uma rede neural artificial
ARTMAP-Fuzzy. In: CONGRESSO DE MATEMÁTICA APLICADA E
COMPUTACIONAL - CMAC, 1., 2014, Curitiba. Anais... Curitiba: SBMAC, 2014. v. 1, p.
1-6.
LIMA, F. P. A.; LOTUFO, A. D. P. MINUSSI, C. R. Artificial immune systems applied to
voltage disturbance diagnosis in distribution electrical systems. PowerTech, 1., 2013,
Grenoble. Proceedings… Grenoble: IEEE, 2013. p. 1–6.
LOPES, M. L. M. Desenvolvimento de redes neurais para previsão de cargas elétricas de
sistema de energia elétrica. 2005. 149 f. Tese (Doutorado em Engenharia Elétrica) –
Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2005.
LOPES, V. JUNIOR.; TURRA, A. E.; MÜLLER, H. H.; BRUNZEL, F.; INMAN, D. J. A
new methodology of damage detection by electrical impedance and optimization technique.
In: CONFERENCE ON DYNAMIC PROBLEM IN MECHANICS – DINAME, 13., 2001,
Florianopolis. Proceedings… Florianopolis: ABCM, 2001. p. 311-316.
MATLAB 7.8 version. New York: MathWorks Company, 2011.
PAI, P. F.; HUANG, L.; HU, J.; LANGEWISCH, D. R. Time-frequency method for nonlinear
system identification and damage detection. Structural Health Monitoring, London, v. 7, n.
2, p. 103-127, 2008.
PANDEY, P. C.; BARAI, S. V. Multilayer perception in damage detection of bridge
structures. Computers and Structures, Kidlington, v. 54, n. 4, p. 597–608, 1995.
SANTIAGO, D. F. A. Diagnóstico de falhas em máquinas rotativas utilizando
transformada de wavelet e redes neurais artificiais. 2004. 117 f. Tese (Doutorado em
Engenharia Mecânica) - Faculdade de Engenharia, Universidade Estadual de Campinas,
Campinas, 2004.
67
SHEN, T.; WAN, F.; SONG, B.; WU, Y. Damage Location and Identification of the Wing
Structure With probabilistic neural Networks.In: PROGNOSTICS & SYSTEM HEALTH
MANAGEMENT CONFERENCE- PHM, 1., 2011, Hong Kong. Proceedings… Hong Kong:
University of Hong Kong, 2011. p. 1–6.
SILVA, S.; DIAS JÚNIOR, M.; LOPES JÚNIOR, V. Structural health monitoring in smart
structures through time series analysis. Structural Health Monitoring, London, v. 7, n. 3, p.
231-244, 2008.
SOUZA, A. S. E.; CHAVARETTE, F. R.; LIMA, F. P. A.; LOPES, M. L. M.; SOUZA, S. S.
F. “Analysis of Structural Integrity Using an ARTMAP-Fuzzy Artificial Neural Network”.
Advanced Materials Research, Hong Kong, v. 838-841, s/n, p. 3287-3290. 2013;
TEBALDI, A. Detecção de falhas estruturais usando atuadores e sensores piezelétricos e
algoritmo genético. 2004. 100 f. Dissertação (Mestrado em Engenharia Mecânica) -
Faculdade de Engenharia, Universidade Estadual Paulista Júlio de Mesquita Filho - Unesp,
Ilha Solteira, 2004.
TEBALDI, A.; COELHO, L. S.; LOPES JUNIOR., V. Detecção de falhas em estruturas
inteligentes usando otimização por nuvem de partículas: fundamentos e estudo de casos.
Revista Controle & Automação, São Paulo, v. 17, n. 3, p. 312–330, 2006.
TIMMIS, J. I. Artificial immune systems: a novel data analysis technique inspired by the
immune network theory. 2000. 200 f. Tese (Doctor of Philosophy of the University of Wales)
- Department of Computer Science, University of Wales, Aberystwyth, 2000.
TONELLI-NETO, M. S. Formulação do controle preventivo em sistemas de distribuição
de energia elétrica baseada na lógica fuzzy e redes neurais. 2012. 137 f. Dissertação
(Mestrado em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual
Paulista, Ilha Solteira, 2012.
TURRA, A. E.; BAPTISTA, F. G.; LOPES JUNIOR, V.; VIEIRA, J. Detecção de dano em
placas de alumínio utilizando impedância Eletromecânica. In: SIMPÓSIO BRASILEIRO DE
AUTOMAÇÃO INTELIGENTE- SBAI, 11., 2013, Fortaleza. Anais … Fortaleza:
SBMAC/SBA, 2013. p. 1-6.
68
XIANG-JUN, C.; ZHAN-FENG, G.; QIANG, G. Application of wavelet analysis in vibration
signal processing of bridge structure. In: INTERNATIONAL CONFERENCE ON
MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION, 10., 2010, Hong
Kong. Proceedings… Hong Kong: VirginiaTech Publisher, 2010. p. 671–674.
WANG, X.; TANG, J. Damage identification using piezoelectric impedance approach and
spectral element method. Journal of Intelligent Material Systems and Structures, London,
v. 20, n. 1, p. 907-921, 2009.
WANG, F. L.; CHAN, T. H. T.; THAMBIRATNAM, D. P. and TAN, A. C. C. Damage
diagnosis for complex steel truss bridges using multi-layer genetic Algorithm. Journal of
Civil structural Health Monitoring, Inglaterra, v. 3, n. 2, p. 117–217, 2013.
ZHENG, S.; WANG, X.; LIU, L. Damage detection in composite materials based upon the
computational mechanics and neural networks. In: EUROPEAN WORKSHOP ON
STRUCTURAL HEALTH MONITORING, 1., 2004, Munich. Proceedings... Munich:
University of Munich, 2004. p. 609–615.
69
APÊNDICE A - PUBLICAÇÕES
De acordo com as exigências do Regulamento do PPGEM (Programa de Pós-graduação
em Engenharia Mecânica) da Faculdade de Engenharia de Ilha Solteira – UNESP, o aluno do
Mestrado deverá ao mínimo ter publicado um artigo completo relacionado com a pesquisa da
dissertação, em periódicos, congressos ou eventos similares que possuam corpo técnico de
revisores de competência reconhecida pela comunidade científica para realizar a defesa da
dissertação. Assim sendo, neste Apêndice são apresentados os artigos completos que foram
publicados, aceitos para publicação ou submetidos relacionados com a pesquisa de mestrado:
a. Periódicos Internacionais
1. Lima, F. P. A.; Souza, S. S. F.; Chavarette, F. R.; Lopes, M. L. M.; Turra, A. E.;
Lopes Jr., V. Monitoring and fault identification in aeronautical structures using an
ARTMAP-fuzzy-wavelet artificial neural network. Advanced Materials Research,
Hong Kong, 2014. Aceito para Publicação
2. Lima, F. P. A.; Souza, S. S. F.; Chavarette, F. R.; Lopes, M. L. M.; TURRA, A. E.;
LOPES JUNIOR, V. Analysis of structural integrity of a building using an artificial
neural network ARTMAP-fuzzy-wavelet. Advanced Materials Research, Hong
Kong, 2014. Aceito para Publicação
3. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, S. S. F.; SOUZA, A. S. E.;
LOPES, M. L. M. A Comparison of methodologies for intelligent computing used
to integrity analysis of a structure aeronautics. Applied Mechanics and Materials,
Hong Kong, v. 610, p. 253-257. 2014.
4. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, S. S. F.; SOUZA, A. S. E.;
LOPES, M. L. M. Artificial immune systems applied to the analysis of structural
integrity of a building. Applied Mechanics and Materials, Hong Kong, v. 472, p.
544-549. 2014;
5. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.;
LOPES, M. L. M. Artificial Immune Systems with Negative Selection Applied to
Health Monitoring of Aeronautical Structures. Advanced Materials Research,
Hong Kong, v. 871, p. 283-289. 2013;
6. SOUZA, A. S. E.; CHAVARETTE, F. R.; LIMA, F. P. A.; LOPES, M. L. M.;
SOUZA, S. S. F. Analysis of structural integrity using an ARTMAP-fuzzy artificial
neural network. Advanced Materials Research, Hong Kong, v. 838-841, p. 3287-
3290. 2013.
70
7. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.;
LOPES, M. L. M. ARTMAP-Fuzzy artificial neural network applied to the
monitoring and fault identification in structural. Lecture Notes in Information
Technology, Korea, v. 39, p. 3-9. 2013;
8. ABREU, C. C. E.; CHAVARETTE, F. R.; VILLARREAL, F.; DUARTE, M. A. Q.;
LIMA, F. P. A. Dual-tree complex wavelet transform applied to monitoring and
fault identification in aeronautical structures. International Journal of Pure and
Applied Mathematics, Hong Kong. Artigo Submetido
b. Congressos Internacionais
9. LIMA, F. P. A.; SOUZA, S. S. F.; CHAVARETTE, F. R.; LOPES, M. L. M.;
TURRA, A. E.; LOPES JUNIOR, V. Monitoring and fault identification in
aeronautical structures using an ARTMAP-fuzzy-wavelet artificial neural network.
In: INTERNATIONAL CONFERENCE ON ADVANCED MATERIALS,
STRUCTURES AND MECHANICAL ENGINEERING- ICAMSME, 1., 2014,
Incheon. Proceedings… Incheon: TTP, 2014. v. 1, p. 1-6.
10. LIMA, F. P. A.; SOUZA, S. S. F.; CHAVARETTE, F. R.; LOPES, M. L. M.;
TURRA, A. E.; LOPES JUNIOR, V. Analysis of structural integrity of a building
using an artificial neural network ARTMAP-fuzzy-wavelet. In: INTERNATIONAL
CONFERENCE ON ADVANCED MATERIALS, STRUCTURES AND
MECHANICAL ENGINEERING- ICAMSME, 1., 2014, Incheon. Proceedings…
Incheon: TTP, 2014. v. 1, p. 1-6.
11. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, S. S. F.; SOUZA, A. S. E.;
LOPES, M. L. M. A Comparison of methodologies for intelligent computing used
to integrity analysis of a structure aeronautics. In: INTERNATIONAL
CONFERENCE ON APPLIED MECHANICS, MECHATRONICS AND
INTELLIGENT SYSTEMS- AMMIS, 3., 2014, Changsha. Proceedings…
Changsha: TTP, 2014. v. 1, p. 1-6.
12. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, S. S. F.; SOUZA, A. S. E.;
LOPES, M. L. M. Artificial immune systems applied to the analysis of structural
integrity of a building. In: INTERNATIONAL CONFERENCE ON
MECHANICAL SCIENCE AND ENGINEERING- ICMSE, 2., 2014, Sanya.
Proceedings… Sanya: TTP, 2014. v. 1, p. 1-6.
13. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.;
LOPES, M. L. M. Artificial immune systems with negative selection applied to
health monitoring of aeronautical structures. In: INTERNATIONAL
CONFERENCE ON APPLIED MECHANICS, FLUID AND SOLID
MECHANICS- AMFSM, 3., 2013, Singapore. Proceedings… Singapore: TTP,
2013. v. 1, p. 1-6.
14. SOUZA, A. S. E.; CHAVARETTE, F. R.; LIMA, F. P. A.; LOPES, M. L. M.;
SOUZA, S. S. F. Analysis of structural integrity using an ARTMAP-fuzzy artificial
neural network. Proceedings on In: GLOBAL CONFERENCE ON CIVIL,
STRUCTURAL AND ENVIRONMENTAL ENGINEERING- GCCSEE, 2., 2013,
Shenzhen. Proceedings…Shenzhen: TTP, 2013. V. 1, p. 1-6,
71
15. LIMA, F. P. A.; CHAVARETTE, F. R.; SOUZA, A. S. E.; SOUZA, S. S. F.;
LOPES, M. L. M. ARTMAP-fuzzy artificial neural network applied to the
monitoring and fault identification in structural. In: INTERNATIONAL
CONFERENCE ON ADVANCES IN INFORMATION TECHNOLOGY- ICAIT,
1., 2013, Jeju Island. Proceedings... Jeju Island: TTP, 2013. v. 1, p. 1-6.
c. Congressos Nacionais
16. LIMA, F. P. A.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L. M.;
CHAVARETTE, F. R. Monitoramento da integridade de estruturas aeronáuticas
utilizando um método inteligente baseado em sistemas imunológicos artificiais. In:
CONGRESSO DE MATEMÁTICA APLICADA E COMPUTACIONAL- CMAC,
1., 2014, Curitiba. Anais... Curitiba: SBMAC, 2014. v. 1, p. 1-6;
17. LIMA, F. P. A.; SOUZA, A. S. E.; SOUZA, S. S. F.; LOPES, M. L. M.;
CHAVARETTE, F. R. Diagnóstico de falhas em estruturas mecânicas utilizando
uma rede neural artificial ARTMAP-Fuzzy. In: CONGRESSO DE MATEMÁTICA
APLICADA E COMPUTACIONAL- CMAC, 1., 2014, Curitiba. Anais... Curitiba:
SBMAC, 2014. v. 1, p. 1-6;