Prognóstico de falhas baseado em redes neurais com estados de eco

Abstract

A rapidez e precisão do prognóstico de falhas pode reduzir os custos de manutenção e diminuir a probabilidade de acidentes. Uma das abordagens de prognóstico é baseada em dados históricos coletados de sensores que monitoram as condições de operação de máquinas. A maioria de métodos de prognóstico baseados em dados utilizam Redes Neurais Artificiais (RNA), e entre eles, as Redes Neurais Recorrentes (RNR) constituem uma importante ferramenta para lidar com problemas de natureza dinâmica, devido aos laços de realimentação entre suas camadas. A rede com estados de eco (ESN – Echo State Networks) é um tipo de RNR que se caracteriza por possuir um reservatório de dinâmicas gerado aleatoriamente, apenas são treinados os pesos da camada de saída. No entanto, é necessário ajustar os parâmetros e a topologia para gerar uma ESN idônea para uma determinada aplicação. Neste trabalho, é desenvolvida uma abordagem para prognóstico chamada ESNABC, um sistema híbrido baseado em ESN e o algoritmo de colônia de abelhas artificiais (ABC – Artificial Bee Colony). O algoritmo ABC através da minimização da função de aptidão, busca simultaneamente os melhores valores dos parâmetros e pesos do reservatório da ESN. A ESN com os parâmetros definidos e os pesos treinados é utilizada para estimar a vida útil remanescente (RUL – Remaining Useful Life). Um estudo de caso foi implementado para verificar o método desenvolvido aplicado ao prognóstico de RUL, utilizando um conjunto de dados de sinais multivariáveis coletados a partir de um processo de simulação dinâmica de turbinas turbofan, disponível no repositório da NASA. Os resultados obtidos pela abordagem ESN-ABC são comparados com os obtidos pela ESN clássica e por outros autores que utilizaram o mesmo conjunto de dados. A comparação quantitativa através de métricas de prognóstico mostraram que a abordagem desenvolvida tem um melhor desempenho no prognóstico de RUL neste caso particular.