universidade estadual paulista “jÚlio de mesquita … · monitoramento e identificaÇÃo de...

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.


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


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.


Na figura 7 ilustra-se o circuito de ligação e medição utilizado nos ensaios.

Figura 7 – Circuito de ligação e medição.


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.


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.


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.


33

Figura 11 – Resposta do ensaio em condição falha estrutural.


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.


34

Figura 13 – FRF do sinal em condição falha estrutural.


Figura 14 – Comparação das FRFs dos sinais em condição normal e falha estrutural.


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.


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.


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.


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.


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


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%


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.


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


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.


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.


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.


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


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;

universidade estadual paulista “jÚlio de mesquita … · monitoramento e identificaÇÃo de...

Documents