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
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 busca-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 19 – Fluxograma da fase de diagnóstico do SHM ARTMAP-Fuzzy. 50
Figura 20 – Fluxograma da fase de censoriamento do SHM ASN. 52
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
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
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 212.2 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
5.2.1 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
8.2 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
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.
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
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.
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.
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).
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
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.
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).
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.
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).
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.
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;
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.
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.
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.
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.
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.
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.
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.
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
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
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:
𝑰𝒂= [𝒂̅ 𝒂̅̅̅] = [𝒂𝒄 𝟏 ̅̅̅ … 𝒂̅̅̅̅̅ 𝒂𝑴𝒂 ̅̅̅ … 𝒂𝟏𝒄 ̅̅̅̅̅] 𝑴𝒂𝒄 (1) 𝑰𝒃= [𝒃̅ 𝒃̅̅̅] = [𝒃𝒄 𝟏 ̅̅̅ … 𝒃̅̅̅̅̅ 𝒃𝑴𝒃 ̅̅̅ … 𝒃𝟏𝒄 𝑴𝒃 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,𝑵𝒂𝒃(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 𝑇𝑘𝑏, respectivamente (CARPENTER et al.,1992):
𝑻𝒋𝒂 = |𝑰 𝒂 ∧ 𝑾 𝒋 𝒂| 𝜶 + |𝑾𝒋𝒂| (6) 𝑻𝒌𝒃= |𝑰 𝒃 ∧ 𝑾 𝒋 𝒃| 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 = 𝒎𝒂𝒙{𝑻𝒋𝒂: 𝒋 = 𝟏, … , 𝑵} (8)
𝑲 = 𝒎𝒂𝒙{𝑻𝒌𝒃: 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 𝑦
2𝑏 … 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∧ 𝑾 𝒋 𝒂| |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 (𝑇𝑗𝑎 = 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).
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
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):
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):
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) Rejeite Conjunto 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
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.
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 An TAf (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).
i i i Ag Ab Ab (18) Sendo: i
Ag : valor nominal da posição i do antígeno (padrão em análise);
i
Ab
: 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):
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 Pc 1: somatório (quantidade) das posições casadas.
Então, caso AfT seja maior ou igual a TAf ocorre o casamento entre os padrões, e ambos são considerados semelhantes. Em caso contrário, isto é, se a AfT for menor que a TAf , o anticorpo (detector) não reconhece o antígeno, portanto não ocorre o casamento entre os padrões.
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.
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
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.
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 , 66 100 * 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
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.
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).
