Com a abertura e estruturação da inteligência artificial, esse novo campo do conhecimento começou a ser pesquisado de forma variada e intensa por diversos pesquisadores. Ainda, quando métodos de raciocínio utilizados pelo ser humano foram modelados e implementados no computador através do uso de diversas técnicas de IA, ocorreu uma expansão dessa para diversas áreas de pesquisa, tais como a robótica e a manutenção.
Isto se tornou possível em grande parte graças ao desenvolvimento de uma série de técni-cas de inteligência artificial. Dentre estas, pode-se destacar:
• Algoritmos genéticos: são modelos matemáticos que servem para fornecer certo nível de aprendizado para sistemas. Esses foram, inicialmente, criados por Jonh Holland, (HOLLAND, 1975), com o objetivo de simular operadores genéticos específicos (como cruzamento, mutação e reprodução) da mesma forma como são observados na natureza; • Programação evolutiva: proposto inicialmente em 1966 por Lawrence J. Fogel, (FO-GEL; OWENS; WALSH, 1966), assemelha-se aos algoritmos genéticos, dando maior ênfase na relação comportamental entre os parentes e seus descendentes. As soluções para os problemas são obtidas e transmitidas para a nova população por meio de suces-sivas tentativas, simuladas em rotinas;
• Lógica nebulosa: metodologia que serve para representar manipular e modelar infor-mações incertas; foram estruturados por Lotfi Zadeh no ano de 1965 (ZADEH, 1965); • Raciocínio baseado em casos: faz uso de uma grande biblioteca de casos para consulta e
resolução de problemas. Os problemas são resolvidos através da recuperação e consulta de casos já solucionados e da conseqüente adaptação das soluções encontradas;
• Redes neurais artificiais: são redes massivamente paralelas e interconectadas, formadas por elementos simples com uma organização hierárquica. Estes elementos interagem de modo semelhante ao sistema nervoso biológico (MCCULLOCH; PITTS, 1943; HEBB, 1949; ROSENBLATT, 1958);
• Cadeias de Markov: técnica que permite determinar a probabilidade de um sistema se encontrar em cada um de seus estados em um determinado instante de tempo, por exemplo, (MARKOV, 1943).
Destaca-se que outras técnicas, tais como os filtros de Kalman e adaptativos, também possuem certas características de inteligência artificial, tal como a capacidade de aprender e de aplicar o conhecimento adquirido. Assim, estas ferramentas também podem ser utiliza-das para armazenar conhecimento e auxiliar na realização de tarefas, tais como a detecção, classificação e predição de falhas (BYINGTON; ROEMER; GALIE, 2002; JARDINE; LIN; BANJEVIC, 2006; LEE et al., 2006).
Destaca-se que as técnicas de inteligência artificial, resumidamente, visam elaborar e ma-nipular entidades inteligentes tendo como último objetivo copiar o pensamento humano e tomar ações de modo inteligente.
Os pesquisadores da área de inteligência artificial usam essas diversas técnicas, tais como os sistemas especialistas, as redes neurais artificiais e a lógica nebulosa, por exemplo, que de uma forma ou de outra tentam imitar a lógica e o processo de raciocínio dos humanos, de modo a ajudar na tomada de decisões ou na realização de ações (CHOW, 1997; TINÓS, 1999; MARÇAL; SUSIN, 2005).
Em oposição às técnicas tradicionais de detecção, classificação e predição de falhas, onde equipamentos caros ou modelos matemáticos refinados são necessários, as técnicas de IA, como a lógica nebulosa (LN) ou as redes neurais (RN), podem ser usadas para fornecer um esquema de detecção, classificação e predição de falhas mais barato e eficiente (ALTUG; CHOW; TRUSSELL, 1999; SINGH; KAZZAZ, 2003).
Em especial, as técnicas de inteligência artificial podem ser utilizadas em sistemas de detecção, classificação e predição de falhas para três funções distintas: produção de classifi-cadores baseados nas variáveis medidas do processo ou sistema; estimação dos parâmetros de um sistema; e reprodução do comportamento dinâmico do sistema.
Inúmeras são as referências encontradas a respeito de aplicações que fazem uso das téc-nicas de inteligência artificial. Um sistema de classificação de voz disfônica empregando a transformada wavelet packet, um algoritmo redutor de dimensionalidade e seis redes neurais artificiais atuando como um conjunto de sistemas especialistas foi apresentado por (CRO-VATO, 2004), por exemplo.
Tinós (TINÓS, 1999) apresentou um novo enfoque para detecção e diagnóstico de falhas em robôs utilizando duas redes neurais artificiais e empregando quatro algoritmos diferentes para treinar estas redes.
Garga (GARGA et al., 2002) introduziu um razoável método de predição híbrido, que integra diferentes ramos de conhecimento e dados de máquinas. Nesse trabalho, uma rede neural foi construída para gerar uma representação explícita do conhecimento.
Duas metodologias baseadas em lógica nebulosa, usadas para automatizar o diagnóstico de defeito em equipamentos mecânicos, além de uma comparação do desempenho utilizando casos experimentais, foram descritas por Fujimoto (FUJIMOTO, 2005).
Berni (BERNI, 2004) apresentou uma implementação de um módulo de equipamentos ge-nérico e autônomo (um sensor virtual) que pode ser empregado em diversos processos com-plexos, que faz uso da lógica nebulosa.
As cadeias de Markov foram empregadas por Jens (JENS, 2006) para realizar cálculos dos índices de confiabilidade e disponibilidade em todos os pontos de um sistema elétrico de potência. Nesse trabalho, o autor fez uso de dados históricos de falhas como parâmetros de entrada para construir um modelo de confiabilidade e disponibilidade de um sistema elétrico de potência real.
Dois sistemas híbridos compostos por redes neurais e lógica nebulosa, usados para detec-ção e diagnóstico de falhas, oriundas da degradadetec-ção gradual, em motores, foram apresentados por (ALTUG; CHOW; TRUSSELL, 1999). Ambos os sistemas forneceram bons resultados na detecção e diagnóstico de falhas.
Lee (LEE et al., 2006) apresentou um dispositivo que possui uma gama de ferramentas de IA que possibilitam responder, por exemplo, as seguintes questões: quando o equipamento observado irá falhar, qual é o motivo da degradação do desempenho da máquina, ou qual é a peça mais critica no sistema que necessita de manutenção ou reparo.
Uma estratégia para detectar falhas em barras de rotores, que é o tipo mais comum de falha que pode ocorrer em motores de indução do tipo gaiola de esquilo trifásicos, baseada em RN e lógica nebulosa foi abordada por (TAN; HUO, 2005).
A metodologia de detecção de falhas proposta por (TAN; HUO, 2005) é inovadora e utiliza um modelo genérico e híbrido composto de redes neurais e lógica nebulosa para pre-dizer o comportamento de máquinas de mesmo modelo. O modelo híbrido (definido como
Neurofuzzy) que captura as características do motor assíncrono apresentado é a peça chave da
metodologia proposta nesse trabalho.
Um modelo Neurofuzzy é um sistema nebuloso definido de acordo com a estrutura de uma rede neural, de modo que a rede de raciocínio lingüístico ou sistema nebuloso possa ser fundido com a capacidade de aprendizagem das RN.
Um outro trabalho que abordou algumas questões que envolvem a previsão da vida útil de enrolamentos foi desenvolvido por (HUANG et al., 2005). Nesse trabalho, foram utilizados métodos de avaliação e predição da degradação baseados em um tipo de rede neural conhecido como mapas auto-organizáveis (MAO).
Ainda, uma nova técnica de predição de séries temporais não-lineares através de redes neurais, foi apresentada em (CASTRO, 2001).
Um novo algoritmo híbrido para a formação de RN foi apresentado em (NASR; CHTOU-ROU, 2009). Nesse trabalho, uma nova abordagem que utiliza RN e a LN, para treinar os pesos das camadas ocultas, e o método de descida do gradiente, para treinar os pesos da ca-mada de saída, foi proposta. Foram realizadas também uma série de experimentos para avaliar o desempenho do método proposto e compará-la com outros algoritmos conhecidos.
Em (BEZERRA, 2004), foi feito um estudo comparativo entre diversas técnicas de detec-ção de falhas, tais como a análise da densidade espectral de potência e os filtros adaptativos (FA), em rolamentos por análise de vibração. Os resultados obtidos mostraram que, de todas as técnicas utilizadas, o FA foi a mais eficiente, sendo capaz de detectar novas falhas.
Em suma, as técnicas de inteligência artificial empregadas em conjunto com outras ferra-mentas para extração das características, tais como a TF e a TW, já são usadas com significa-tiva eficiência substituindo ou auxiliando o homem em tarefas de aprendizagem, diagnóstico, predição de padrões, automação de processos industriais e controle de qualidade (LEE et al., 2006; HELLING; SCHOOR; HELBERG, 2004).