Detecção e Diagnóstico de Falhas com Redes Neurais Sem Pesos

2.3.1 Reconhecimento de Padrões

O reconhecimento de padrões compreende a associação de elementos de um dado conjunto, com outros conjuntos previamente definidos e rotulados, conferindo-lhes uma identidade como classe (Duda e Hart, 1973). O processo consiste de tentativas com acertos e erros em busca de uma classificação ou partição conveniente de uma amostra de dados em grupos de elementos com características comuns - clusterização. Para esses autores, o reconhecimento de padrões é uma atividade de interesse tecnológico com regularidades significativas em ambientes ruidosos

ou complexos. A área de reconhecimento de padrões é tida como uma ciência não exata, devido à falta de padronização ou inconsistência nos dados, o que dificulta a identificação e classificação/clusterização dos dados avaliados (Duda e Hart, 1973).

Neste contexto, a “detecção” de falhas pode ser entendida como um problema de classificação, no qual um padrão de entrada x = [a1, a2, ..., an] é considerado como estado de operação

“normal” ou de “falha”. O “diagnóstico”, por outro lado, consiste na partição do estado de falha em subclasses com rótulos definidos pelos diferentes tipos de falhas considerados. Para isso, os atributos a1, a2, ..., an devem conter informações que possibilitem a classificação desejada

(Soares e Galvão, 2010). Formalmente, dado um padrão de entrada x e uma variável de resposta

y, busca-se uma aproximação para a relação y = f(x). Nessa relação y é um rótulo de classe com

valor no conjunto {C1, C2, ..., Ck}, com k∈ℕ e a função f(x) define, de forma aproximada, os

limites para as classes consideradas. Para uma melhor compreensão da importância da pesquisa realizada, a seção seguinte apresenta o estado da arte sobre detecção e diagnóstico de falhas com uso das redes neurais sem pesos.

2.3.2 Detecção e Diagnóstico de Falhas com Redes Neurais sem Pesos

Conforme já mencionado anteriormente, a aparição dos primeiros sistemas de detecção e diagnóstico de falhas na indústria data de 1970 (Korbicz e Witczak, 2005). Coincidentemente, os primeiros trabalhos com redes neurais sem pesos apareceram, basicamente, no mesmo período, mais precisamente no final da década de 1960 (Alexandre, 1966, 1967). Também, o reconhecimento e a classificação de padrões é o “cerne” dessas duas linhas de pesquisas. Conforme também já mencionado anteriormente, para Isermann e Ballé (1997) num sistema de FDD a “detecção” consiste em determinar a presença de um comportamento indesejável ou inaceitável do sistema e o momento de sua percepção. Por outro lado, o “diagnóstico” compreende o isolamento (classificação) e a identificação (análise) das falhas detectadas. Neste contexto, os sistemas de FDD podem ir além do reconhecimento e classificação de padrões e serem considerados como sistemas complexos, principalmente por atuarem em ambientes dinâmicos. Já os sistemas neurais sem pesos eram voltados basicamente para o reconhecimento e classificação de imagens digitais, considerados, na grande maioria, como sistemas estáticos. Num processo de reconhecimento e classificação de padrões, um sistema é considerado dinâmico se os valores das saídas dependem de valores passados das entradas, caso contrário, se a saída é função apenas da entrada atual, o sistema é considerado estático (Birkhoff, 1927). No entanto, estudos mais recentes comprovam a aplicabilidade das RNSP em ambientes dinâmicos (Bandeira 2010; Cardoso et al., 2011 e 2013; Cardoso, 2012; Oliveira et al., 2017). Com a revisão da literatura, foi possível notar um número significativo de estudos formais voltados para o problema de detecção e diagnóstico de falhas, principalmente em processos industriais. Esses estudos, na grande maioria, utilizam modelos computacionais ditos “inteligentes”, com destaque para as redes neurais artificiais com pesos, lógica fuzzy, algoritmos genéticos e redes bayesianas (Andrade, 2012; D’Angelo, et. al., 2011; Lemos et al., 2010; Lemos, 2011; Linden, 2008; Medeiros, 2009; Maia et. al., 2009; Rivera, 2007; Sartori, 2012). Porém, com exceção do trabalho apresentado por Oliveira et al. (2017) e descrito no capítulo 3 desta tese, nenhum outro trabalho encontrado na literatura tratou o problema de FDD com uso das RNSP, principalmente com a terminologia “detecção e diagnóstico de falhas”. No entanto, muitos trabalhos encontrados utilizam as RNSP em diferentes aplicações, com predominância no reconhecimento e classificação de padrões, dentre as quais se destacam as descritas abaixo: • A “navegação de robôs” (Bonato et al., 2004; França et al., 2010; McElroy e Howells, 2011; Nurmaini, et al., 2009; Nurmaini e Tutuko, 2011; Yao et al., 2003). O trabalho

apresentado por Yao et al. (2003) faz uso de uma rede neural baseada em memórias RAM para a navegação de um robô móvel, controlado por um sistema de microprocessadores simples para detectar e desviar de obstáculos em tempo real. Bonato et al. (2004) apresentaram um sistema de visão computacional incorporado a um robô móvel, com tecnologias reconfiguráveis. O referido sistema captura gestos por meio de uma câmera digital a cores e executa o reconhecimento em tempo real. Esse sistema serve de interface de comunicação humano-robô com aplicações diversas, a exemplo de pessoas com deficiência. Nurmaini et al. (2009) propuseram uma rede neural sem pesos para reconhecer e classificar ambientes visitados por um robô móvel. O sistema é composto por um conjunto de microprocessadores simples e demonstra eficiência no reconhecimento de obstáculos em tempo real pelo robô utilizado. França

et al. (2010) propuseram um sistema de visão artificial baseado na rede neural booleana

WiSARD e com objetivos de seguir a cadência de um navio em seis eixos de liberdade e em tempo real. McElroy e Howells (2011) utilizaram uma rede neural sem pesos e um algoritmo genético para manipular automaticamente entradas e saídas de dados. O sistema proposto permite que um robô possa guiar um veículo em situações reais e perigosas, onde a segurança é fundamental e a realização por seres humanos é desaconselhável. O algoritmo de reconhecimento de padrões apresentado por Nurmaini e Tutuko (2011) classifica ambiente e auxilia na tomada de decisões para a navegação de um robô móvel. A estratégia demonstrou bons resultados com um robô móvel alimentado por microcontroladores e sensores de baixo custo. Os resultados experimentais apresentaram taxas de reconhecimento dos ambientes de até 98,5%, além de evitar obstáculos em tempo real;

• O “reconhecimento de dígitos e impressões digitais” (Al-Alawi, 2007; Bandeira et al., 2009; Cardoso, et al., 2013; Conti, et al., 2009; Grieco et al., 2010). Al-Alawi (2007) apresenta um sistema de classificação padrão neuro-fuzzy baseado na arquitetura de rede neural sem pesos para o reconhecimento de dígitos manuscritos. O sistema de inferência

fuzzy aprende regras fuzzy extraídas dos vetores de características gerados por uma rede

neural sem pesos de uma única camada. Os resultados experimentais comprovaram um desempenho superior comparado com o desempenho de uma rede RAM tradicional. Bandeira et al. (2009) usaram uma rede neural sem pesos denominada de NC-WiSARD. A rede utiliza uma estrutura multicamadas e aprendizado não supervisionado, o autoWiSARD. O sistema é capaz de reconhecer as imagens treinadas, bem como versões modificadas delas. A rede NC-WiSARD consegue reconhecer e compor padrões mais complexos através de sua estrutura hierárquica. Conti et al. (2009) propuseram um sistema de identificação automática de impressões digitais baseado em redes neurais sem pesos. O trabalho realiza de forma rápida a classificação de impressões digitais com o uso de mapas direcionais para cinco classes distintas. Grieco

et al. (2010) objetivam associar modelos de dígitos manuscritos com a formação de

imagens mentais. Essa equivalência é obtida por meio de contagem de frequência e filtragem e ou por formulação de regras fuzzy, melhorando assim o processo de classificação da WiSARD. Cardoso et al. (2013) propuseram um sistema para posicionamento (pontos de acesso WiFi) de usuários em ambientes internos (museus, centros comerciais, fábricas, dentre outros) com o reconhecimento de impressões digitais por um o sistema neural sem pesos, baseado na rede WiSARD, com resultados considerados muito bons em termos de desempenho e de solução de posicionamento; • O “reconhecimento de faces e impressões faciais” (Araújo, 2011; Sirlantzis et al., 2009;

Vidal, et al., 2013). Sirlantzis (2009) propôs um sistema de reconhecimento biométrico facial com arquitetura em camadas modulares. Cada camada corresponde a uma rede

WiSARD, cujos discriminadores são considerados módulos/ classificadores. As RAM nos discriminadores armazenam probabilidades. A saída de um discriminador é a combinação das probabilidades de saídas das RAM com base na função soma (método de agregação mais usado em um sistema multiclassificador). O padrão de teste é reconhecido pelo discriminador com maior soma de probabilidade. Araújo (2011) desenvolveu um sistema denominado de RWiSARD com habilidades para o reconhecimento e classificação de imagens faciais em escala de cinza. O RWiSARD foi adaptado para lidar com valores escalares e com possibilidade de representação no campo dos reais. Vidal et al. (2013) aplicaram redes neurais sem pesos para o reconhecimento de emoções. O sistema proposto analisa imagens de expressões faciais com emoções do tipo: raiva; desprezo; nojo; medo; felicidade; neutro; tristeza; e surpresa. Os dados experimentais foram extraídos da base de dados TFEID (Taiwanese

Facial Expression Image Database, banco de dados de imagem de expressão facial de

Taiwan) e os resultados comprovam o bom desempenho da metodologia para a referida aplicação;

• O “agrupamento de fluxos de dados” (Cardoso et al., 2011; Cardoso, 2012). Cardoso et

al. (2011) propuseram um sistema neural sem pesos evolutivo para agrupamento de

fluxos de dados em ambientes dinâmicos. A rede WiSARD usada realiza um aprendizado one-shot (rápido) e produz protótipos das categorias aprendidas. Cardoso (2012) propôs um sistema denominado de StreamWiSARD para o agrupamento de dados em fluxos contínuos. O sistema proposto cria dinamicamente a estrutura da rede com base no aprendizado não supervisionado e na rede autoWiSARD (Bandeira, 2010) e evidencia questões como temporalidade e velocidade na apresentação dos fluxos de dados;

• A “previsão de séries temporais” (Mpofu, 2006). Mpofu (2006) propôs um sistema de previsão de preços das ações no mercado usando uma rede neural sem pesos. O sistema proposto é testado com dados de estoque obtidos a partir do Reino Financial Holdings do Zimbábue e utiliza a suavização exponencial simples para a previsão realizada e faz a comparação com duas ferramentas de previsão usando técnicas quantificáveis. A “ausência” de sistemas de FDD baseados nas RNSP e o “potencial” dessas redes para o reconhecimento e a classificação de padrões foram os principais fatores que motivaram o desenvolvimento dos sistemas de FDD propostos neste trabalho. Os sistemas desenvolvidos foram validados por três estudos de caso, apresentados na seção 2.5 e descritos com mais detalhes nos capítulos 3, 4 e 5.