Você está na página 1de 12

Universidade Federal do Maranhão - UFMA

Programa de Pós-Graduação em Engenharia Elétrica - PPGEE

Anteprojeto de Pesquisa para Dissertação de Mestrado

Detecção de Falhas em Máquinas Elétricas


Rotativas Através da Análise de Vibração e
Redes Neurais Artificiais Profundas

Autor: Candidato ao Mestrado

São Luís, MA
2020
Candidato ao Mestrado

Detecção de Falhas em Máquinas Elétricas


Rotativas Através da Análise de Vibração e
Redes Neurais Artificiais Profundas

Anteprojeto de pesquisa para dissertação


mestrado submetida ao Programa de
Pós-Graduação em Engenharia Elétrica
da Universidade Federal do Maranhão,
como requisito para concorrer a uma
vaga no Programa de Mestrado.

Candidato ao Mestrado
Aluno

São Luís, MA
2020
Resumo
mestrado
Este anteprojeto de doutorado tem como objetivo apresentar um projeto de
pesquisa preliminar sobre estimação de estados bayesina de sistemas não lineares
com incertezas não gaussianas utilizando redes neurais. Justifica-se este este estudo
tanto do ponto de vista prático quanto do ponto de vista teórico. Do ponto de vista
prático, a estimação de estado é aplicada em diversas áreas como sistemas de con-
trole, comunicação, detecção de falhas, segurança de sistemas e outras aplicações.
Do ponto de vista teórico, vários desafios na estimação de estados para sistemas não
lineares continua em aberto. Com isso, pretende-se apresentar as principais etapas
planejadas para esta pesquisa: análise e implementação dos métodos clássicos de es-
timação de estados; análise e implementação do filtro de partículas e estudo e análise
dos métodos de estimação de estados com redes neurais. Além disso, apresenta-se
uma metodologia de estimação de estados utilizando redes neurais recorrentes. Por
fim, será apresentado as etapas das atividades planejadas para estes quatro anos de
pesquisa e as distribuições cronológica das mesmas.
Palavras-chaves: Estimação de Estados. Redes Neurais. Filtros de Kalman. Pro-
cessos Estocásticos.
Lista de ilustrações

Figura 1 – Diagrama de blocos esquemático do processo de estimação de estado. . 11


Figura 2 – Modelo não-linear de um neurônio. . . . . . . . . . . . . . . . . . . . . 13
Figura 3 – Diagrama de blocos do mecanismo de aprendizagem supervisionado . . 16
Figura 4 – Aprendizagem supervisionada por correção de erro. . . . . . . . . . . . 16
Figura 5 – Estrutura modelo neural proposto (adaptado de Witczak et al. (2017)). 18
Lista de tabelas

Tabela 1 – Cronograma de atividades de pesquisa dos quatro anos de doutorado. . 20


Sumário

Mestrado
1 Anteprojeto de Doutorado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Formulação do Problema . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Paradigma Bayesiano para Estimação de Estados . . . . . . . . . . 10
1.4.3 Breve Introdução às Redes Neurais . . . . . . . . . . . . . . . . . . 12
1.4.4 Redes Neurais na Estimação de Estado . . . . . . . . . . . . . . . . 17
1.5 Etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Cronograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6

Mestrado
1 Anteprojeto de Doutorado

1.1 Introdução
A estimativa consiste em um procedimento de obtenção de um valor de uma gran-
deza oculta por meio de medidas indiretas, imprecisas e incertas. Por sua vez, o termo
estado refere-se ao menor conjunto de variáveis (variáveis de estados), tais que o conhe-
cimentos destas variáveis no instante de tempo inicial, juntamente com o conhecimento
da(s) entrada(s) para todo instante de tempo, determina completamente o comporta-
mento do sistema dinâmico para qualquer instante de tempo maior que o instante de
tempo inicial(ogata). Neste contexto, o termo estado representa um vetor (vetor de esta-
dos) formado pelas variáveis de estado que evolui com o decorre do tempo. Dessa forma,
o objetivo da estimação de estado é obter estimativas para o vetor de estados robustas a
incertezas provenientes de medidas indiretas, imprecisas e incertas que são inerentes aos
sistemas de medição e a fatores ambientais. Além dessas incertezas, existe a incerteza do
sistema causadas pelo caráter impreciso do processo de modelagem, aproximações, não li-
nearidade e variação nos parâmetros físicos do sistema (AFSHARI; GADSDEN; HABIBI,
2017).
Do ponto de vista histórico, a pesquisa na área de estimação de estados rece-
beu contribuições de um grande número de pesquisadores de diferentes áreas. O primeiro
a contribuir grandemente para essa campo de pesquisa foi Thomas Bayes (1701-1761)
introduzindo a regra de Bayes que constitui um dos fundamentos da estimação bayesi-
1
ana (BAYES, 1763) . Outro pioneiro no campo de estimação foi Carl Friedrich Gauss
(1777 - 1855) com seu trabalho seminal sobre estimativa ótima utilizando o método dos
mínimos quadrados. O campo de estimação de estados também recebeu importantes con-
tribuições provenientes de pesquisas realizadas na área de processamento de sinais, por
exemplo, Norbert Wiener (1894-1960), em 1949, introduziu a formulação matemática do
filtro de Wiener para aplicação de processamento de sinais. Este filtro combina as ideias
introduzidas por Gauss para adaptar a característica do estimador para maximizar o re-
conhecimento de sinais na presença de ruído (WIENER, 1964). Nobert Wiener e Adrei
Komogorov (1903-1987) foram os resposáveis pela formulação da base matemática da teria
de estimativa que futuramente foram utilizadas na para o desenvolvimento da teoria da
predição e da filtragem AFSHARI; GADSDEN; HABIBI, op. cit.. Em 1941, Kolmogorov
1
Obra póstuma publicada em 1763 e posteriormente reimpressa em 1958 pela revista Biometrika
volume 45.
Capítulo 1. Anteprojeto de Doutorado 8

é aplicada na monitorização e/ou controle de processos químicos.


Recentemente, varias abordagem para estimação de estado têm sido propostas
motivadas por aplicações em baterias. Em Chaoui e Gualous (2017), é proposta uma
estratégia universal de compensação que pode ser utilizada em vários algoritmos de esti-
mação de estado presentes na literatura e aplicado na estimação de estado da bateria de
lítiu sujeita a variações de temperatura. Outros trabalhos na aplicação em estimação de
estados de bateria são proposto em Chen, Fu e Mi (2013) e Mejdoubi et al. (2016).
Na abordagem utilizando redes neurais, em Witczak et al. (2017), é proposto uma
rede neural recorrente baseada no observador ℋ™ para estimação de estado e identificação
de falhas simultaneamente. Em Wang, Wang e Wu (2017), o problema da estimação de
estados com atrasos tanto na equação de estado quanto na equação de saída com redes
neurais recorrentes é investigado.

1.2 Justificativa
Os métodos de estimação de estados são utilizados várias aplicações modernas
de engenharia como, por exemplo, sistemas de controle, sistemas elétricos de potência,
sistemas de comunicação, engenharia biomética, predição metereológica. Na década de
1960, o filtro de Kalman foi utilizado para estimação de estado do sistema de navegação
da Apollo (W.SORENSONI, 1970; GELB, 1974; BAR-SHALOM; LI; KIRUBARANJA,
2004). Apesar da grande utilização do filtro de Kalman na estimação de estados, as pre-
missas de linearidade e de incertezas gaussianas que garantem a otimalidade do método
são fatores limitantes da aplicação do mesmo em sistemas não lineares com incertezas não
gaussianas.
Estimação de estado de uma rede de sensores com topologia fixa (SOUZA; COU-
TINHO; KINNAERT, 2016). Estimação de estado de bateria de lítio sujeito efeitos de
temperatura (CHAOUI; GUALOUS, 2017). Baterias como de níquel-cadímio (NiCd) com,
rápida capacidade de carregamento, largo range de temperatura de operação, pequeno ta-
manho, longo ciclo de vida, dentre outras características potencializa estas baterias a
serem aplicadas em veículos elétricos e notebooks. Existem dois aspectos fundamentais
neste tipo de bateria, o estado de carregamento e o estado de saúde da bateria. Para estes
estados o filtro EKF tem sido aplicado extensivamente (CHEN; FU; MI, 2013; MEJ-
DOUBI et al., 2016). Na área de detecção de faltas a estimação de estados tem feito
grandes contribuições. Em Yin e Zhu (2015), foi apresentado uma metodologia de detec-
ção de faltas em sistemas não lineares utilizando filtro de partículas inteligente (IPF, do
inglês Intellingete Particle Filter).
Em casos onde regimes dinâmicos não lineares e incertezas gaussianas podem ser
desconsiderados, a aplicação de técnicas lineares de estimação de estado podem ser utiliza-
Capítulo 1. Anteprojeto de Doutorado 9

das. No entanto, em situações onde a dinâmica não-linear e/ou incertezas não gaussianas
do sistema não podem ser ignoradas, se faz necessárias técnicas de estimação de estado
sistemas não-lineares com incertezas não gaussianas.
Portanto, neste doutorado pretende-se desenvolver uma metodologia de estimação
de estado para sistemas não lineares com incertezas gaussianas utilizando redes neurais
que contorne as principais desvantagens dos atuais métodos de estimação de estado.

1.3 Objetivos
1.3.1 Objetivo Geral
O objetivo principal deste projeto é propor uma abordagem bayesiana de estimação
de estado de sistemas não lineares com incertezas não gaussianas utilizando redes neurais.
Para esse fim, pretende-se realizar um estudo sobre as condições necessárias para utilização
de redes neurais na estimação de estado de um sistema não linear com incertezas não
gaussianas. Além disso, pretende-se aplicar a metodologia proposta num sistema elétrico
de potencia .

1.3.2 Objetivos Específicos


Com a finalidade de alcançar o objetivo geral, os seguintes objetivos específicos
são estabelecidos como parte da pesquisa:

1) Análise e implementação dos métodos clássicos de estimação de estados como, filtro


de Kalman, extended Kalman filter (EKF), unscented Kalman filter (UKF), filtro
de Kalman em quadratura, dentre outros;

2) Análise e implementação do filtro de partículas;

3) Estudo e implementação dos métodos clássicos de estimação de estado utilizando


redes neurais;

4) Estudo comparativo do desempenho e das propriedades estatísticas e computacio-


nais dos métodos de estimação de estados estudados e desenvolvidos nesta pesquisa;

5) Análise computacional da metodologia proposta e comparação com as metodologias


presentes na literatura;

6) Aplicação da metodologia desenvolvida em sistemas de engenharia elétrica.


Capítulo 1. Anteprojeto de Doutorado 18

uk B

E2 sh B0
xk yk
xkd S D S so z-1 C

E1 sh A0

Figura 5 – Estrutura modelo neural proposto (adaptado de Witczak et al. (2017)).

x𝑘1 A 𝛼x𝑘  B 𝛼u𝑘  f𝑘 , (1.14)


y𝑘 Cx𝑘 , (1.15)

onde

=𝛼 A
𝑝
𝑖
A 𝛼 A 𝑖 (1.16)
𝑖 1

=𝛼 A
𝑝
𝑖
B 𝛼 B 𝑖 (1.17)
𝑖 1

1.5 Etapas
Para o desenvolvimento da pesquisa apresentada neste anteprojeto, pretende-se
realizar as seguintes etapas:

1) Revisão bibliográfica: Nesta etapa, será realizado um levantamento bibliográfico


sobre os principais métodos de estimação de estado para sistemas não lineares com
incertezas não Gaussianas. Além disso, será feito um levantamento sobre o estado
da arte do problema de estimação de estado;

2) Implementação de Métodos Clássicos de Estimação de Estado: Nesta etapa,


será implementado os principais métodos de estimação de estado para sistemas
lineares e realizado um estudo sobre suas vantagens e desvantagens;
Capítulo 1. Anteprojeto de Doutorado 19

3) Sistemas não lineares: Nesta etapa, será feito um estudo sobre os principais
métodos de estimação de estado para sistemas não lineares;

4) Elaboração da metodologia proposta: Nesta etapa, o formalismo do método


proposto será realizado;

5) Aplicação do método proposto em sistemas reais: Nesta etapa, o método


proposto será apicado em um sistema real;

6) Publicação de artigos: O método proposto será publicado em congressos (nacio-


nais e internacionais) e revistas de Qualis A;

7) Proposta da Tese: Nesta etapa, a proposta da tese e sua apresentação será apre-
sentada;

8) Exame de qualificação: Nesta etapa, a qualificação da proposta da tese será


examinada por uma banca definida pela cordeação do programa;

9) Redigir a Tese: Nesta etapa, a tese será escrita;

10) Defesa da Tese;

1.6 Cronograma
Com finalidade de atingir o objetivo geral e os objetivos específicos propostos
anteriormente, o cronograma de execução de atividades é mostrado nas Tabelas 1.
21

Referências

AFSHARI, H. H.; GADSDEN, S. A.; HABIBI, S. Gaussian filters for parameter and
stade estimation: an general review of theory and recent trends. Signal Processing, 2017.
v. 135, p. 218– 238, 2017. Citado 4 vezes nas páginas 6, 7, 10 e 12.

AGUIRRE, L. A. Introdução Identificação de sistemas: Técnicas lineares e não lineares:


Teoria e aplicação. 4. ed. Belo Horizonte - MG: Editora UFMG, 2015. Citado na página
7.

ARASARATNAM, I.; HAYKIN, S. Squre-root quadrature kalman filtering. IEEE Trans.


Signal Process, 2008. v. 95, n. 6, p. 953– 977, 2008. Citado na página 7.

ARASARATNAM, I.; HAYKIN, S. Cubature kalman filteres. IEEE Trans. Autom.


Control, 2009. v. 54, n. 6, p. 1254– 1269, 2009. Citado na página 7.

ARASARATNAM, I.; HAYKIN, S.; ELLIOT, R. J. Discrete-time nonlinear filtering


algoritms using gauss-hermite quadrature. Proc. IEEE, 2007. v. 95, n. 5, p. 953– 977,
2007. Citado na página 7.

BAR-SHALOM, Y.; LI, X. R.; KIRUBARANJA, T. Estimation With Application to


Tracking and Navigation. New York: John Wiley and Sons, 2004. Citado 2 vezes nas
páginas 7 e 8.

BARTO, A. G.; SUTTON, R. S.; ANDERSON, C. W. Neuronlike adaptative elements


that can solve dificult learning control problems. IEEE Transactions on Systems, Man,
and Cybernetics, 1983. SMC-13, p. 834–846, 1983. Citado na página 16.

BAYES, T. R. Essay towards solving a problem in the doctrine of chances. Phil. Trans.
Roy. Soc. Lond., 1763. v. 53, p. 370–418, 1763. Citado na página 6.

BERTSEKAS, D. P. Dynamic Programming and Optimal Control. 3. ed. Cambridge,MA:


Athena Scientific, 2005. 543 p. Citado na página 17.

CHAOUI, H.; GUALOUS, H. Online parametr and state estimation of lithium-ion


batteries under temperature efect. Electric Power Systems Research, 2017. v. 145, p. 73
– 82, 2017. Citado na página 8.

CHAPELLE, O.; SCHöKOPF, B.; ZIEN, A. Semisupervised Learning: Adaptive


computation and machine learning. 1. ed. Cambridge,MA: MIT Press, 2006. Citado na
página 17.

CHEN, R.; LIU, J. Mixture kalman filters. J. R. Stat. Soc., 2000. v. 62, n. 3, p. 496–508,
2000. Citado na página 7.

CHEN, Z.; FU, Y.; MI, C. State of charge estimation of lithium-ion batteries in electric
drive vehicles using extended kalman filtering. IEEE Trans. Veh. Technol., 2013. v. 62,
n. 3, p. 1020 – 1030, 2013. Citado na página 8.

Você também pode gostar