Académique Documents
Professionnel Documents
Culture Documents
i=1
y(t)C
i
|y(t) C
i
|
2
(2.1)
denominado centro do cluster da srie temporal y(t). A relao na qual se determina
o grau de pertinncia fuzzy , isto , a relao fuzzy y(t) C
i
denida por:
i
(t)
_
_
k
j=1
|y(t) C
i
|
2
|y(t) C
j
|
2
_
_
1
(2.2)
Veja que dado um conjunto C de centro de clusters, pode-se medir o afastamento
de cada ponto da srie temporal y(t) em relao a cada centro C
i
. Para a determinao
dos centros dos clusters pode-se usar tcnicas como K-means, C-means e as redes de
Kohonen.
A partir de [12] conclui-se que
i
(t) segue uma famlia de distribuies beta com
diferentes parmetros, e para t m obtm-se uma distribuio beta(a,b), ou ento uma
distribuio beta(c,d) se t > m.
Com isso, observa-se que
i
(t) tem como caracterstica uma distribuio xa e
portanto a formulao Bayesiana tem como entrada sempre o mesmo modelo para
a deteco de ponto de mudana na srie temporal. Ento independentemente das
propriedades estatsticas da srie temporal original y(t), obtm-se sempre o mesmo
padro probabilstico para a fase Bayesiana. A ideia desse tipo de abordagem tratar
a ocorrncia de ponto de mudana em uma srie temporal como uma ocorrncia de
falha, portanto detectando-a.
2.3 Ajuste de modelo estatstico/atualizao de probabilidades 11
2.2.2 Formulao do Algoritmo Metropolis-Hastings
Em [12] aplica-se o Algoritmo Metropolis-Hastings a m de construir uma cadeia
de Markov com uma distribuio de equilibrio .
Supondo uma cadeia que esteja no estado x e que um valor x
gerado de uma
distribuio proposta q(. |x) (candidata a ser aceita), nota-se que a distribuio proposta
pode depender do estado atual da cadeia. Como exemplo, considere que q(. |x) uma
distribuio normal centrada em x. O novo valor x
) = min
_
1,
(x
)q(x,x
)
(x)q(x
,x)
_
Assim, pode-se sumarizar o algoritmo da seguinte maneira:
1. Inicializar o contador de iteraes em t = 0 e especicar um valor inicial x
0
=
(a
0
,b
0
,c
0
,d
0
,m
0
);
2. Gerar um valor de referncia x
) e gerar u U(0,1);
4. Se u ento aceitar o novo valor e fazer x
t+1
= x
_
t
_
1
e
_
t
, p/ t >
0, p/ t
Os trs parmetros da distribuio de Weibull so: o parmetro de forma ; o
parmetro de escala da distribuio e o parmetro de posio . Os parmetros e
so maiores que 0. J o parmetro , que relacionado com a vida inicial do item,
grande parte das vezes, desprezado em anlises relacionadas a manuteno.
A gura 2.3 apresenta o comportamento da funo Weibull quando se mantm o
valor de constante e varia-se o valor de . Observando o grco verica-se os vrios
comportamentos que a distribuio pode assumir. Correlacionando os valores de
com a curva da banheira pode-se chegar na sumarizao abaixo:
0 < < 1 - Perodo de Mortalidade Infantil
2.3 Ajuste de modelo estatstico/atualizao de probabilidades 15
Tabela 2.1: da Curva da Banheira e causas de falha. Adaptado de [5]
Quebra Prematura Quebra em Vida til Quebra por envelheci-
mento
Processos de Fabricao
decientes
Cargas Aleatrias Maiores
que as esperadas
Envelhecimento
Baixo controle de quali-
dade
Acompanhamento inecaz
da manuteno baseada na
condio
Desgaste/abraso
Mo de Obra no quali-
cada
Erros humanos durante o
uso
Degradao de resistncia
No aplicao de Tcnicas
de Conabilidade de Pro-
jeto
Aplicao indevida Fadiga
Materiais fora da Especi-
cao
Sobrecarga Corroso
Falhas devido a transporte
inadequado e questes de
acondicionamento
Falhas no detectveis pe-
los equipamentos de ma-
nuteno baseados na con-
dio
Deteriorao mecnica,
eltrica, qumica ou
hidrulica
Erro Humano Causas inexplicveis
(Ocultas)
Manuteno preven-
tiva/preditiva insuciente
ou deciente
Sobrecarga nos testes de
comissionamento
Fenmenos Naturais Im-
previsveis
Vida de projeto muito curta
t
f
(
t
)
=5
=3.44
=2.5
=1
=0.5
Figura 2.3: Funo Weibull para dois parmetros baseada em [15]
16 2 Atualizao da Probabilidade de Falhas
= 1 - Perodo de Vida til
> 1 - Perodo de Desgaste
Desta forma, a partir dos parmetros anteriormente citados consegue-se determinar
as chances de um item falhar dado um intervalo de tempo de funcionamento. Assim,
possvel assumir, ou no riscos de uma falha neste intervalo. Um exemplo seria
um sistema que precisa operar 24 horas ininterruptas e caso este sistema quebre neste
intervalo de tempo pode gerar perdas nanceiras em unidades de moeda no valor
de x; entretanto, sabe-se que para trocar o componente que est com sua vida til
quase no m custar um valor monetrio y. A partir dos dados de falhas possvel
determinar o quo grande ser o risco caso se decida operar e quanto ser perdido em
uma troca antecipada. Com isso vivel direcionar as aes a serem tomadas. Uma
outra nalidade da modelagem de conabilidade refere-se a determinao do lucro
cessante. Nele se pode quanticar quanto a hora parada de umequipamento ir custar
em rentabilidade para o negcio e, assim, pode-se comparar com os valores de novos
investimentos e aquisio de novos equipamentos para um projeto.
Um outro exemplo seria a compra de um equipamento sabendo-se que ser neces-
srio a operao contnua durante X dias. Desta forma, se o equipamento no operar
em um dos dias destes X dias a empresa compradora perder, em lucro cessante, um
valor Y em moeda. Assim acerta com a empresa vendedora que durante o perodo de
garantia dever utilizar o equipamento durante X dias comuma taxa de conabilidade
de 100% e caso no alcance este percentual a empresa vendedora ser multada em um
VALOR=W Y Z para ressarcimento de prejuzos, sendo W(peso multiplicativo sobre
o valor total<1) e Z (nmero de dias parados).
2.4 Teste de adrerncia
2.4.1 Kolmogorov-Smirnov
Para vericar se a distribuio se ajusta ao conjunto de dados coletados foi utilizado
o teste de Kolmogorov-Smirnov, teste (K-S). Este teste pode ser utilizado tanto em
conjunto de dados pequenos, como em conjuntos maiores. O teste verica a hiptese
da funo de distribuio acumulada F
o
(t) ser igual a F(t). Se existem grandes desvios
de uma amostra de distribuio acumulada
F(t) em relao a F(t) ento a hiptese
rejeitada, seno a hiptese aceita e a distribuio pode ser usada para o clculo dos
valores da vida til dos componentes.
Captulo 3
Atualizao de Probabilidade de Falhas
Considerando Tipos de Falha
Diferentes
3.1 Denio do Problema
Sabe-se que um ponto importante na operao de sistemas a deteco de falhas,
entretanto, muitas vezes osistema pode estar sujeitoa umelevadonmerode falhas que
no so regidas pela mesma distribuio de probabilidade, ou seja, o comportamento
das falhas afeta o sistema com caractersticas diferentes. Desta maneira, para que a
atualizao da probabilidade de cada falha ou componente seja regida pela distribuio
correta, necessrio que a classicao das falhas ocorra em um momento anterior ao
da atualizao das probabilidades. A Figura 3.1 apresenta o esquema de atualizao
de probabilidades com o acrescimo de um classicador.
Figura 3.1: Esquema de deteco com um classicador adicionado.
18 3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes
3.2 Classicao de Falhas
Na indstria a classicao realizada de diversas maneiras, sendo a mais usual
a utilizao do conhecimento dos operadores/mantenedores. Esta uma tarefa que
demanda grande esforo das equipes de campo (operao/manuteno) e nem sempre
geram os resultados desejados, pois os dados nem sempre so devidamente coletados,
armazenados e classicados. Algumas vezes, a equipe de avaliao de campo tem um
parecer polarizado, o que pode prejudicar anlises futuras quando da necessidade de
utilizao dos dados.
Atualmente, algumas empresas de consultoria realizam diagnstico e criam estra-
tgias de manuteno em empresas de diversos segmentos. Outras empresas utilizam
ferramentas com suporte para armazenamento de dados em tempo real, como por
exemplo o MES (Manufacturing Execution System) que pode ser visto como um sistema
de planejamento e controle de produo, controle de estoques, histrico das vari-
veis de processo PIMS (Plant Information Management System) e controle de paradas de
equipamentos DTM (Down Time Monitor).
O DTM mdulo do MES que faz o gerenciamento de paradas da planta, tem o obje-
tivo de registrar os eventos de perda de produtividade, seja por causas operacionais, de
manuteno ou de fora maior. Com isto possvel gerar uma priorizao nos eventos
de maiores perdas focando em estratgias que diminuam as paradas no planejadas a
m de aumentar a disponibilidade da planta e tambm sua utilizao. Esta ferramenta
vem se disseminando nos ltimos anos para a coleta de dados de paradas, entretanto,
sua classicao de falhas utiliza-se de dados binrios para classicao e muitas das
vezes no leva a ser desvendada a causa raiz de uma falha. A Tabela 3.1 apresenta um
esquema de falhas para um equipamento ( esquema similar ao usado no DTM), estas
so falhas que podem ser detectadas em um motor de uma planta genrica. Nesta
tabela percebe-se o monitoramento de 2 bytes (16 estados), os estados so dividos em
falha, equipamento ligado e equipamento pronto para operar. Como as falhas so bi-
nrias e se baseiamemsinais eltricos/eletrnicos sua anlise ca bastante limitada no
abordando problemas operacionais e algumas vezes problemas mecnicos do equipa-
mento. Outro ponto importante e que pode ser considerado falho a denio de uma
regra geral para caso exista a ocorrncia de duas falhas de maneira simultnea, ou seja,
caso ocorram duas falhas o usurio ir denir qual falha tem prioridade. Desta forma,
quando se fala em estudos de conabilidade, grande parte do tempo consumido pelas
empresas ainda no diagnstico e na converso dos dados coletados pelas equipes de
campo em dados classicavis.
3.3 Metodologia para determinao do tipo de falha
Uma outra opo seria a utilizao de tcnicas de soft-computing e aprendizado de
mquina [26], na qual existe um conjunto de dados com padres denidos, e que so
3.3 Metodologia para determinao do tipo de falha 19
Tabela 3.1: Mapeamento dos estados de falha de um Motor
Bit de Memria Estado do Equi-
pamento
Diagnsticos Prioridade Intertravamentos
0 Pronto para
Operar
Aguardando
comando para
incio de opera-
o
1 Ligado (Sem fa-
lha)
Em operao
2 Falhas Ocultas Falhas Eltricas
ou outra de
qualquer tipo
2
3 Falha Falha por Inter-
travamento
Vlvula Sole-
noide Fechada
4 Falha Falha por Inter-
travamento
Gaveta do Mo-
tor extrada na
subestao por
equipe de ma-
nuteno
5 Falha Sobrecorrente 3
6 Falha Sobretemperatura4
7 Falha Falha por Inter-
travamento
6 Problemas no
Inversor de
Frequncia
8 Falha Sobrecarga 5
9 Falha Emergncia
Acionada em
Campo
1
10 reserva
11 reserva
12 reserva
13 reserva
14 reserva
15 bypass ativo Motor sofrer
bypass para
no parar o
processo.
20 3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes
utilizados para treinar uma estrutura que ser responsvel por classicar os dados a
partir disto. Esta estrutura ser capaz de realizar a classicao de padres de novos
dados de falha que tenham caractersticas similares. Desta forma, o sistema ganha em
agilidade na coleta, classicao e armazenamento de falhas sendo o nico entrave para
utlizao do mesmo a coleta de informao dos instrumentos/sensores de processo e
o desenvolvimento da ferramenta computacional que ser responsvel pelo processo
de classicao. Outro ponto que esta ferramenta pode combinar um conjunto de
sinais com o objetivo de denir uma falha, diferentemente da estrutura do DTM que
se baseia em sinais binrios e diretos. O problema de priorizao ainda continua, mas
de maneira mais atenuada, pois o banco de dados pode ser alimentado com novas
informaes rotuladas e assim o classicador ser treinado favorecendo a classicao
de outras falhas que ocorrerem de maneira simultnea.
Os classicadores de aprendizado supervisionado, no qual as amostras de treina-
mento normalmente so rotuladas, so ferramentas de grande utilidade emvrios tipos
de processo produtivo e em problemas do mundo real, em que o principal objetivo ao
se utilizar um classicador a determinao de um padro a partir de suas caracte-
rsticas identicadoras. Por exemplo, deseja-se vericar se um determinado tipo de
fruta uma ma ou uma laranja sem utilizar nenhuma interveno humana. Para
isto, utiliza-se alguns parmetros como peso da fruta, tamanho e dureza. Aps uma
etapa de treinamento com um grande banco de dados de informaes sobre laranjas
e mas e amostras de teste rotuladas, coloca-se a prova a capacidade de classicao
do sistema utilizando-se dos parmetros descritos anteriormente. Os classicadores
podem ser utilizados em uma grande variedade de aplicaes para determinao de
um padro desejado. Bancos de dados em reas de sade, tecnologia, industria e di-
versas outras aplicaes podemser encontrados emUCI Machine Learning Repository
(www.ics.uci.edu/mlearn/).
3.3.1 Classicador Neuro-Fuzzy
Na literatura existe uma grande variedade de classicadores que podemser utiliza-
dos para determinao de padres. Quando se fala em aprendizado supervisionado,
alguns dos mais aplicados pela literatura so as Redes Neurais articiais [23]; o SVM
(Support Vector Machine) [3] e o Classicador Bayesiano.
As Redes Neurais Articiais (RNA) so estruturas matemticas com forte apelo
em aplicaes de reconhecimento de padres [11]. Outra estrutura similar as redes
neurais so os Sistemas Fuzzy, onde os classicadores Fuzzy so dependentes de regras
lingusticas que normalmente so transmitidas por meio de conhecimento de pessoas
especialistas ou por regras. As regras normalmente so extradas de um conjunto
de dados. Quando este conjunto de regras extrado utilizando as redes neurais na
fase de treinamento este sistema passa a ser chamado de sistema neuro-Fuzzy [7].
Umclassicador que recorrentemente empregado emreconhecimento de padres o
3.3 Metodologia para determinao do tipo de falha 21
NFC(Neuro Fuzzy Classier), que combina tcnicas de inferncia fuzzycoma capacidade
de aprendizado das RNAs. O NFC realiza a classicao particionando o espao de
caractersticas em classes Fuzzy [25], assim so denidas as distribuies das classes e
as relaes entre entrada e sada. Como as redes neurais, o aprendizado do NFC feito
utilizando exemplos onde comun encontrar algoritmos com gradiente de primeira
ordem sendo utilizado no treinamento. Outros exemplos de algoritmo de otimizao
que agilizam a etapa de treinamento de um NFC podem ser encontrados em [9] e [7].
Uma outra tcnica bastante importante quandose fala emcomplexidade doconjunto
de dados a extrao de caractersticas. Aextrao de caractersticas diminui o nmero
de caractersticas irrelevantes para o reconhecimento do padro e desta forma torna o
classicador mais robusto. Um exemplo de diminuio da complexidade utilizando
extrao de caractersticas pode ser encontrado em [8].
O NFC formado pelas seguintes camadas: camada de entrada, camada de per-
tinncia, camada de fuzzicao, camada de defuzzicao, camada de normalizao
e camada de sada. Este classicador possui vrias entradas, as quais denominamos
como caractersticas e vrias sadas que podemos considerar como os rtulos ou clas-
ses. Os pesos na camada de defuzzicao afetamas regras e aumentama exibilidade
na classicao. O mtodo de clusterizao k-means usado para obter os parmetros
iniciais e as regras se-ento [25].
A regra de classicao fuzzy que descreve a relao do espao das caractersticas
entrada e classes, pode ser denida conforme segue abaixo [25]:
Se X
1
A e X
2
B ento Z C
Em que X
1
e X
2
so caractersticas da varivel de entrada. A e B so termos
lingusticos caracterizados pela funo de pertinncia apropriada a qual descreve as
caractersticas de um objeto C.
Na Figura 3.2 apresentado um NFC com caractersticas similares ao apresentado
em [25] e [9]. O espao de caractersticas apresentado possui duas caractristicas de
entrada, j a sada pode ser classicada em trs diferentes tipos de padres.
Uma representao dos espao de caractersticas apresentada na Figura 3.3. Cada
caracterstica possui trs termos lingusticos denidos e como resultado existem nove
regras fuzzy. Em outros trabalhos como [8] existe um pr-processamento com o
objetivo de diminuir a complexidade das caractersticas de entrada.
Na primeira camada calcula-se o graude pertinncia comque as entradas satisfazem
os termos lingusticos associados aos ns, isto determina o grau de pertinencia da
funo em forma de normal, dada por:
A
(X
i
) =
1
1+[((
x
i
c
i
a
i
)
2
)]
b
i
Emque X
i
uma das variveis de entrada, A umdos termos lingusticos associado
neste n da funo e [a
i
,b
i
,c
i
] o conjunto de parmetros. Inicialmente so denidos
22 3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes
Figura 3.2: Classicador Neuro-Fuzzy
3.3 Metodologia para determinao do tipo de falha 23
Figura 3.3: Diviso do Espao de Caractersticas
valores com o objetivo de satisfazer as duas condies que caracterizam uma funo
de pertinncia Fuzzy:
Normalidade
A
= 1. pelo menos em um ponto
Convexidade
A
(x
)
A
(x
1
)
A
(x
2
), onde
A
(x) [0,1] e x
[x
1
,x
2
]
Aps a denio inicial, os parmetros so ajustados utilizando mtodo baseado no
gradiente descendente.
Na segunda camada cada n gera um sinal correspondente uma combinao
conjuntiva e assim verica-se os graus individuais de correspondncia [25]. O sinal
de sada corresponde ao grau de cumprimento de uma regra Fuzzy com relao a um
objeto a ser categorizado. Na maior parte dos processos de classicao de padres o
operador conjuntivo realiza um papel importante e sua interpretao muda de acordo
com o contexto. Desta maneira, no existe um operador que pode ser aplicado em
qualquer tipo de problema. Um exemplo de norma que pode ser utilizada a norma
de Hamacher, que dada por:
T
H
(x
1
,x
2
,) =
x
1
x
2
+(1)(x
1
+x
2
x
1
x
2
)
,
Onde x
i
s so os operadores e um parmetro no negativo.
24 3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes
importante notar que podemexistir diferentes operadores matemticos para cada
n da segunda camada, sendo que dependendo do compartamento dos operadores ma-
temticos alguns tero alcance local e outros tero abrangncia global.Os parmentros
combinacionais tambm so ajustados por meio da utilizao do gradiente.
Na terceira camada realizada a combinao linear dos resultados dos operadores
matemticos e na quarta camada feita uma normalizao por meio de uma funo
sigmoide ou de outro tipo parecido. Assim calcula-se se o padro pode fazer parte
daquele tipo de classe ou no.
3.4 Atualizao da Distribuio de Falha
Para atualizao das probabilidades de falha foi usado o mesmo procedimento
apresentado no cpitulo 2, porm o vetor de dados de falha s foi atualizado aps a
classicao da falha.
Captulo 4
Sistemas para Estudos de Casos
4.1 Aplicao em Sistemas
As abordagens de deteco de falhas e a atualizao de probabilidades de falha
propostas anteriormente, podem ser aplicadas em diversos tipos de sistemas. Exem-
plos de casos interessantes para aplicaes seriam sistemas de transmisso de energia,
sistemas de gerao de energia, sistemas de transporte e sistemas de bombeamento de
uidos.
4.2 Sistema de Tanques Interativos
Para este trabalho um dos sistemas utilizados o de Tanques Interativos, um tipo
de sistema de bombeamento de uidos onde o raciocnio aplicado seria o mesmo que
em outros tipos de sistemas.
O sistema de tanques que foi apresentado em [4] e citado em [13] um modelo
matemtico obtido a partir do balano de massa entre os tanques TQ-2 e TQ-3 e utiliza
a lei de Bernoulli conforme apresentado em [6]. Considerando que x
1
= h
2
,x
2
= h
3
,y
1
=
h
3
,y
2
= q
o
e y
3
= q
i
, o modelo do sistema representado pelas equaes abaixo:
x
1
=
1
A
[q
1
(R
1
,U
1
,P
1
) q
23
(x
1
,x
2
)]
x
2
=
1
A
[q
23
(x
1
,x
2
) q
o
(R
2
,U
2
,P
2
)]
y
1
= x
2
y
2
= q
o
(R
2
,U
2
,P
2
)
q
i
(R
1
,U
1
,P
1
) = Q
i
max{R
1
,U
1
,P
1
}
q
o
(R
2
,U
2
,P
2
) = Q
o
max{R
2
,U
2
,P
2
}
q
23
(x
1
,x
2
) =
x
1
x
2
R
h
26 4 Sistemas para Estudos de Casos
A expresso para o clculo de q
f
dada conforme abaixo:
q
f
(R
i
,u
i
,p
i
) =
1
_
1 +
_
_
1
R
2(u
i
1)
i
1
_
_
p
i
Alm disso:
q
o
(R
2
,U
2
,P
2
): a vazo de sada do tanque TQ-3, em m
3
/s;
q
i
(R
1
,U
1
,P
1
): a vazo de entrada do tanque TQ-2, em m
3
/s;
q
23
(X
1
,X
2
): a vazo entre os tanques TQ-2 e TQ-3, em m
3
/s;
q
f
(R
i
,u
i
,p
i
): a vazo fracionria da vlvula "i";
Q
i
max: vazo mxima de entrada do tanque TQ-2, em m
3
/s;
Q
o
max: vazo mxima de sada do tanque TQ-3, em m
3
/s;
A: rea da base dos Tanques TQ-2 e TQ-3;
R
1
: Representa o alcance da vlvula FCV-1;
R
2
: Representa o alcance da vlvula FCV-2;
1
: razo entre a queda de presso mnima e mxima da vlvula FCV-1;
2
: razo entre a queda de presso mnima e mxima da vlvula FCV-2;
R
h
: resistncia hidrulica no duto entre os tanques;
u
1
: sinal de controle fracionrio da vlvula FCV-1;
u
2
: sinal de controle fracionrio da vlvula FCV-2.
Uma grande variedade de falhas pode ser simulada em um sistema semelhante
ao descrito acima como, por exemplo, falhas de atuadores, falhas nos sistemas de
medio, entupimento nos dutos de comunicao entre os tanques e perda de presso
na tubulao entre tanques devido a umfuro. Umextenso trabalho abordando a maior
parte destas falhas pode ser encontrado em [6].
Para o presente trabalho, o simulador utilizado para vericar o comportamento de
deteco e atualizao de probabilidades de uma falha de entupimento entre Tanque
1 (TQ1) e Tanque (TQ3). O Simulador de Tanques Interativos apresentado na Figura
4.1.
Em um segundo momento sero utilizadas as tcnicas apresentadas no captulo 3
para classicao de falhas. As caractersticas de entrada para deo do padro sero
as seguintes:
4.3 Transformadores 27
nvel do tanque TQ-3
q
o
vazo de sada do tanque TQ-3
q
i
vazo de entrada do tanque TQ-2
Figura 4.1: Simulador de Tanques Interativos apresentado em [10]
4.3 Transformadores
O outro sistema que ser utilizado neste trabalho para testes de reconhecimento
de padres utilizando o NFC so os transformadores. Transformadores so elementos
bastante importantes emredes de distribuio e esto sujeitos a diversos tipos de falha,
como por exemplo descargas parciais, descargas de baixa e alta dissipao de energia
e falhas trmicas. Em transformadores que utilizam leo como isolante, possvel
vericar a sade do equipamento a partir dos gases liberados, para isto utiliza-se de
28 4 Sistemas para Estudos de Casos
tcnicas baseadas emanlise cromatogrca. Aseveridade do evento de falha tambm
pode ser determinada pela quantidade de gs liberado. Atualmente, j existemsistemas
que fazemmonitoramentoon-line dofuncionamentodotransformador, oque emalguns
casos faz comque a vida til doequipamentoaumente e que os blackouts, devidoa falhas
do transfarmador, sejam raros. Este fato aumenta consideravelmente a importncia de
se conhecer o comportamento de falhas em funo da alterao da composio dos
gases do sistema de isolamento.
Para subsidiar este trabalho, utilizou-se os dados disponibilizados em [14]. Este
banco de dados composto por 150 dados de falhas e as caractersticas de entrada so
baseadas em taxas de gases C
2
H
2
/C
2
H
4
, CH
4
/H
2
e C
2
H
4
/C
2
H
6
. Os tipos de falha que
podem ser encontradas neste banco de dados so as seguintes:
1. Descargas Parciais
2. Descargas com baixa dissipao de Energia
3. Descargas com alta dissipao de Energia
4. Falhas trmicas abaixo de 300
C
5. Falhas trmicas acima de 700
C
Um outro estudo com o mesmo banco de dados pode ser encontrado em [2].
Captulo 5
Resultados da Atualizao
Neste captulo so apresentados os resultados obtidos comtodos os modelos de atu-
alizaes de probabilidades descritos nos captulos anteriores. Inicialmente aplicou-se
o que foi descrito no captulo 2 para detectar falhas e atualizar as probabilidades de fa-
lha de umnico modo de falha. Emumsegundo momento detecta-se a falha, coletando
os dados identicadores e aplicando-os em um classicador NFC para determinao
do tipo de falha.
5.1 Atualizao da Probabilidade de Falhas
5.1.1 Aplicao em um Sistema de Tanques Interativos
Foi montado umvetor de dados a partir de janelas de deteco de falhas. Aprimeira
janela foi identicada como marco zero dos dados, (conforme Figura 5.1), e a partir
deste marco foram ajustadas todas as probabilidades de falhas em funo do tempo
utilizando a distribuio de Weibull. Com o vetor de dados alterado foi realizado o
teste K-S para vericar se o modelo ajustado seria vlido para aquele conjunto de dados
de falha.
Os parmetros do sistema foram denidos para um ambiente com elevado grau de
severidade, no qual as falhas so aceleradas emfuno das caractersticas de exposio
a intempries climticas, qumicas e partculas emsuspenso no ar. Estas caractersticas
foram escolhidas por comodidade, para acelerao do momento da falha. As janelas
foram denidas em intervalos de 20000 segundos e o conjunto de dados de falhas foi
composto por 9 amostras.
Sabe-se de antemo que as falhas criadas respeitam a distribuio de Weibull. A
falha simulada foi o entupimento do duto que interliga o Tanque 1 e o Tanque 3. Para
este trabalho esta falha foi considerada uma falha abrupta. Os tempos emque as falhas
ocorreram em minutos so os seguintes 366, 788, 1136, 1342, 1739, 2227, 2728, 3145 e
30 5 Resultados da Atualizao
3244. A gura 5.2 apresenta um grco do momento em que a falha detectada para
t = 2227 minutos ou 133.620 segundos.
Figura 5.1: Esquema de Janelas para Atualizao de Probabilidades
Figura 5.2: Deteco de Falha para um dos Pontos
Desta forma, aps as duas primeiras medidas, foi possvel ajustar os parmetros
em uma distribuio de Weibull. Os dados foram testados a partir de um teste K-
S, a um nvel de 10% de signicncia, e em nenhum momento a hiptese nula foi
rejeitada A hiptese nula foi denida como sendo aquela cujo os dados se ajustam a
uma distribuio de Weibull.
As Figuras 5.3 e 5.4 respectivamente, apresentama Funode Densidade de Probabi-
lidade - do termo emingls Probability Density Function (PDF) - e Funo de Distribuio
Acumulada - do termo em ingls Cumulative Distribution Function (CDF).
Na Tabela 5.1 so apresentados os parmetros ajustados aps cada ponto de falha
que foi acrescentado no conjunto de dados. A Figura 5.5 apresenta a curva de Weibull
obtida aps a coleta das 9 amostras, onde o eixo das abcissas representa o tempo de
5.1 Atualizao da Probabilidade de Falhas 31
operao do componente e o eixo das ordenadas a probabilidade da falha ocorrer dado
aquele intervalo de tempo.
Decises importantes podem ser tomadas com os dados obtidos a partir de um
modelo de deteco/atualizao/estimao como este. Caso queira-se, por exemplo,
determinar qual o tempo em que se deseja que uma tubulao como esta opere
sem entupimento pode-se escolher um percentual de conabilidade que seja relevante
para o processo e o seu intervalo de conana para o tempo desejado. Para ilustrar
a situao, considere que a tubulao deve funcionar por 200 minutos ininterruptos
para que o processo em batelada seja executado. Sabe-se que este tipo de tubulao
transporta uido perigoso que pode gerar complicaes em caso de vazamento. Desta
maneira, a partir da distribuio obtida chega-se que para t = 200 minutos tem-se a
conabilidade de 83,21% do equipamento ainda estar operando. Para um nvel de
signicncia de 5% chega-se a um limite inferior do intervalo de conana com 59,38%
e o limite superior no pode ser determinado. Assim, pode-se adotar medidas como
a insero de uma nova tubulao by-pass que possa substituir a primeira caso ocorra
entupimento, aumentado assim a disponibilidade do sistema. Outro fato importante
que a partir deste tempo pode-se prever qual ser o instante que o custo-benecio da
manuteno ter os melhores valores e ainda pode-se dimensionar o quadro de mo
de obra, visando atingir as metas de indicadores de desempenho especicadas para
sistemas, equipamentos e componentes.
Um fato importante para avaliar a poltica de manuteno a ser utilizada o par-
metro . Neste caso como ele maior que 1, as caractersticas de desgaste j so percep-
tveis, o que favorece a utilizao das polticas de manuteno preventiva/preditiva.
32 5 Resultados da Atualizao
Tabela 5.1: Funo Densidade de probabilidade acumulada
t F(t) -
60 0,12% 3,52 400,15
120 1,43% 3,52 400,15
180 5,82% 3,52 400,15
240 15,22% 3,52 400,15
300 30,40% 3,52 400,15
360 49,79% 3,52 400,15
420 69,46% 3,52 400,15
480 85,02% 3,52 400,15
540 94,36% 3,52 400,15
600 98,45% 3,52 400,15
0 100 200 300 400 500 600
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
Tempo
F
u
n
o
d
e
D
e
n
s
i
d
a
d
e
d
e
P
r
o
b
a
b
i
l
i
d
a
d
e
(
P
D
F
)
PDF ajustada
PDF Dados Originais
Figura 5.3: Funo de Densidade de Probabilidade para a falha de entupimento
5.2 Atualizao de Taxa de Falhas Considerando Tipos de
Falhas Diferentes
A partir do item anterior possvel perceber a importncia de se conhecer a taxa
de falha de um sistema. Assim, quando mais de uma falha comea a ocorrer de
maneira simultnea em qualquer tipo de sistema ca difcil de determinar quais so
os reais motivos da falha. Para tornar o processo mais fcil, considera-se que os
5.2 Atualizao de Taxa de Falhas Considerando Tipos de Falhas Diferentes 33
100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
F
u
n
o
d
e
D
i
s
t
r
i
b
u
i
o
A
c
u
m
u
l
a
d
a
Dados de Entupimento TQ1TQ3
CDF ajustada para dados de Entupimento
Intervalo de Confiana para Dados de Entupimento
Figura 5.4: Funo de Distribuio Acumulada para a falha de entupimento
10
2
0.05
0.1
0.25
0.5
0.75
0.9
0.95
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
d
e
F
a
l
h
a
Dados de Falha de Entupimento
Weibull Ajustada Entupimento TQ1TQ3
Figura 5.5: Grco de Probabilidade Weibull
34 5 Resultados da Atualizao
sistemas possuemeventos de falhas independentes e identicamente distribudos.Desta
forma, quando existe substituio do item como se ocorresse a recuperao total do
componente (as good as new).
Para testar o classicador apresentado no captulo 3 utilizou-se dois conjuntos de
dados. Oprimeiro deles umconjunto de dados articiais emque simulou-se diversas
falhas no sistema de tanques interativos. Em um segundo momento foram utilizados
os dados reais de falhas apresentado em [14].
5.2.1 Aplicao em um Sistema de Tanques Interativos
Para aplicao no sistemas de Tanques Interativos foram simulados 200 tipos de
eventos. Dentro destes eventos podem ser vericadas falhas de agarramento em vl-
vulas, falhas de entupimento e tambm casos que o sistema opera de maneira normal.
O estado normal pode ser ainda uma vericao para um falso positivo, ou seja, uma
falha detectada que no ocorreu e, assim, o sistema de classicao pode conrmar o
que avaliado pelo sistema de deteco de falha.
Nos testes com trs tipos de eventos (agarramento da vlvula FCV1, agarramento
da vlvula FCV2 e estado normal; ou agarramento da vlvula FCV1; entupimento Tan-
que TQ1 e estado normal) foram utilizados 150 padres para treinamento e validao.
J para quatro tipos de eventos (agarramento da vlvula (FCV1), agarramento da vl-
vula (FCV1), entupimento (TQ1-TQ3) e estado normal) foram utilizadas 200 amostras.
Elaborou-se umsoftware para simulao que variava os dados de treinamento do NFC
entre 10% e 90% com umpasso de 10%. Para cada estrutura de dados de treinamento o
algoritmo foi repetido por 20 iteraes. As amostras foramaleatorizadas como objetivo
de retirar qualquer possibilidade de polarizao dos dados, ou seja, eliminar quaisquer
possves tendncias que poderiam prejudicar a generalizao do classicador. Os me-
lhores resultados obtidos ocorreram utlizando 70% das amostras para treinamento.
Conforme pode ser visualizado na Tabela 5.2 os valores para validao, dados que
no fazem parte do conjunto de treinamento, alcanaram um percentual de acerto de
88,88% com trs estados diferentes e 70% com quatro estados diferentes.
Aps a etapa inicial de classicao foi realizado o processo de atualizao das
probabilidades de falha com o objetivo de determinar a poltica de manuteno. Neste
caso foramapresentados anlises estatscas de dois tipos de modo de falha que tiveram
seus dados de falha gerados de maneira articial. Considerando-se que os eventos so
iid chega-se nos grcos de PDF, CDF e Weibull apresentados nas Figuras 5.6, 5.7 e 5.8
para os modos de falha, consideradas falhas abruptas para este trabalho, entupimento
do Tanque (TQ1-TQ3) e agarramento da vlula (FCV1).
Os dados para oentupimentodotanque soos mesmos apresentados anteriormente,
j para o agarramento de vlvula temos a seguinte sequncia simulada articialmente:
396, 876, 1204, 1629, 2096, 2435, 2814 e 3186. A tabela 5.2 apresenta o aumento da
taxa de falha em funo dos tempos para as duas falhas. Percebe-se que a falha de
5.2 Atualizao de Taxa de Falhas Considerando Tipos de Falhas Diferentes 35
agarramento comea com uma taxa de falha maior que a de entupimento e a medida
que o tempo vai correndo ela superada pelo outro modo de falha. Pode-se perceber
que o fator de escala da falha de agarramento um pouco menor do que da falha de
entupimento e o mesmo ocorre para o fator de forma. De toda maneira, para este valor
de forma ainda se recomenda a adoo de uma manuteno preventiva/preditiva, mas
de toda forma a idade de envelhecimento, no modo de falha agarramento, um pouco
mais lenta quando comparada com o entupimento.
0 100 200 300 400 500 600
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
Data
D
e
n
s
i
t
y
PDF Entupimento TQ1TQ3
PDF Agarramento FCV1
Dados Entupimento TQ1TQ3
Dados Agarramento FCV1
Figura 5.6: PDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1
5.2.2 Aplicao em um Transformador
No transformador foram realizados procedimentos parecidos ao Tanque Interativo
. Para isto foram utilizados dados de falha em transformadores em servio, que foram
obtidos por meio da base de dados de [14].
Em virtude do nmero de amostras para realizar a classicao das falhas, 142
amostras, as classes foram concentradas em trs tipos de falha (Falhas por Descargas;
Falhas Trmicas e o Estado Normal). As falhas por descargas aglomeramas falhas com
alta e baixa descarga de energia, j as falhas trmicas englobam falhas abaixo de 300
C
e acima de 700
o
d
e
D
i
s
t
r
i
b
u
i
o
A
c
u
m
u
l
a
d
a
Dados Agarramento Vlvula FCV1
CDF Agarramento Vlvula FCV1
Intervalo de Confiana FCV1
Dados Entupimento TQ1 TQ3
CDF Entupimento TQ1 TQ3
Intervalo de Confiana Entupimento TQ1TQ3
Figura 5.7: CDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1
5.2 Atualizao de Taxa de Falhas Considerando Tipos de Falhas Diferentes 37
Tabela 5.3: Classicao de Falhas em Tanques e Transformadores utilizando NFC
SISTEMA TESTE AMOSTRAS AMOS-
TRAS
PARA
TREINA-
MENTO
ACERTO
TREINA-
MENTO
ACERTO VA-
LIDAO
TRAFO 3 Tipos de Es-
tado:(DESCARGAS,
TRMICAS e ES-
TADO NORMAL)
142 7%0 85,86% 86,04%
TANQUES 3 Tipos de Es-
tado: (AGARRA-
MENTO FCV1,
AGARRAMENTO
FCV2 e ESTADO
NORMAL)
150 70% 90,48% 88,88%
TANQUES 3 Tipos de Es-
tado: (AGARRA-
MENTO FCV1,
ENTUPIMENTO
TQ1 e ESTADO
NORMAL)
150 70% 85,71% 88,88%
TANQUES 4 Tipos de Es-
tado: (AGARRA-
MENTO FCV1,
AGARRAMENTO
FCV2, ENTUPI-
MENTO TQ1 e
NORMAL)
200 70% 67,14% 70%
Nveis de Tenso de 50/10kV
Nveis de Tenso de 50/6 kV
Com o objetivo de adequar o histrico de falhas ao classicador anteriormente
apresentado, analisou-se a atualizaao de probabilidade de falha apenas para o curto-
circuito dos enrolamentos. Desta forma, o histrico de falhas foi composto pelas
seguintes falhas: falha 1=26,5 anos, falha 2=33,3 anos, falha 3=39,5 anos, falha 4=43,5
anos e falha 5=45,5 anos. Com isso chegou-se aos grcos de PDF, CDF e Funo de
Weibull ajustada apresentados nas guras 5.9, 5.10 e 5.11. Os parmetros obtidos aps a
anlise de Weibull so = 6,8 - =40,49, como > 1 as caractersticas que predominam
no tipo de manuteno a ser realizada preventiva/preditiva.
38 5 Resultados da Atualizao
10
2
0.005
0.01
0.05
0.1
0.25
0.5
0.75
0.9
0.95
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
d
e
F
a
l
h
a
Dados de Falha Entupimento TQ1TQ3
Funo Weibull ajustada para Entupimento
Dados de Falha para Agarramento FCV1
Funo de Weibull ajustada para Agarramento
Figura 5.8: Grco de Probabilidade de weibull - falha Entupimento e Agarramento FCV1
20 25 30 35 40 45 50 55 60
0
0.01
0.02
0.03
0.04
0.05
0.06
Tempo
F
u
n
o
D
e
n
s
i
d
a
d
e
d
e
P
r
o
b
a
b
i
l
i
d
a
d
e
Dados de Falha no Enrolamento
PDF de Falha no Enrolamento do Transformador
Figura 5.9: PDF para a falha no Enrolamento do Transformador
5.2 Atualizao de Taxa de Falhas Considerando Tipos de Falhas Diferentes 39
28 30 32 34 36 38 40 42 44
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo
F
u
n
o
d
e
D
i
s
t
r
i
b
u
i
o
A
c
u
m
u
l
a
d
a
Dados de Falha
CDF Acumulada para falha nos Enrolamento do Trafo
Intervalo de Confiana
Figura 5.10: CDF para a falha no Enrolamento do Transformador
10
1.5
10
1.6
0.05
0.1
0.25
0.5
0.75
0.9
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
Dados de Falha
Funo de Weibull Ajustada
Figura 5.11: Grco de Probabilidade de Weibull para falha no enrolamento do Trafo.
40 5 Resultados da Atualizao
Captulo 6
Consideraes Finais
6.1 Concluses
Neste trabalho foi proposta uma metodologia para atualizar um modelo de con-
abilidade utilizando um algoritmo de deteco de falhas proposto recentemente na
literatura. Este tipo de metodologia mostra-se interessante, conforme apresentado
em [24], para prever alternativas de manuteno bem como o planejamento de inves-
timento em processos que demandem um longo tempo de funcionamento. Um outro
problema bastante curioso que gera diversas discusses na industria a coleta de dados
de falha, coma classicao de falhas correta. Desta forma, o classicador se torna uma
ferramenta de suporte e de otimizao de tempo quando se fala em coleta de dados de
falhas. Modelos comdistribuies de probabilidades diferentes podemser atualizados
a partir de dados coletados utilizado o algoritmo de deteco e classicados utilizando
os classicadores de falha. Assim, a idia de se misturar falhas diferentes e indentica-
ls um processo que trs bastante robustez ao sistema dando mais fora ao sistema
com coleta de dados de falha de maneira automatizada.
6.2 Trabalhos Futuros
Uma ideia para trabalhos futuros consiste em adicionar dados censurados. Os
dados censurados so aqueles que a manuteno realizada antes do componente
falhar. Estes dados so adicionados em conjunto com os dados de falha, o que faz com
que as previses de tempo timo para manuteno melhoreme faz comque consiga-se
atuar de maneira preventiva em componentes, equipamentos ou sistemas. Esta ao
combate um problema real quando se fala em manuteno, que a falta de dados de
falha de equipamento. Assim, mesmo que o sistema no falhe, ele ainda alimentado
cominformaes que direcionamna composio de umtempo timo para manuteno
do sistema.
Outro tipo de abordagem que pode ser explorada a utilizao do algoritmo apre-
sentado em [20] para atualizao, de maneira on-line, da probabilidade de falhas
em sistemas que utilizam a manuteno baseada na condio como sua estratgia de
42 6 Consideraes Finais
manuteno. Um sistema que poderia facilmente ter esta tcnica aplicada um sis-
tema de distribuio de energia que conta como principal elemento os transformadores
elevadores e abaixadores. Caso sejam transformadores extremamente crticos para o
processo, eles podem ser monitorados em tempo real a partir dos gases de isolamento
e resfriamento que esto imersos em sua cmara de lubricantes.
Referncias Bibliogrcas
[1] ABNT. NBR 5462 -Conabilidade e Manutenabilidade. Associao Brasileira de
Normas Tcnicas - ABNT, 2004.
[2] A.Venkatasami, Dr.P.Latha, and K.Kasirajan. Diagnosis of transformer faults ba-
sed on adaptive neuro-fuzzy inference system. International Journal of Scientic
Engineering Research, 3(2):14, 2012.
[3] A. Basu, C. Watters, and M. Shepherd. Support vector machines for text categori-
zation. International Conference on System Sciences - IEEE, 2002.
[4] Ansio Rogrio Braga. Implementao de Estratgias de Controle Multimalha e Multi-
varivel. Master thesis, Universidade Federal de Minas Gerais, Brasil, 1994.
[5] Carolina Leite Barbosa Cajazeira. Estudo dos Fatores RAM na Fase de Operao e
Manuteno de Aerogeradores. Phd thesis, Universidade do Moinho, Portugal, 2012.
[6] Walmir Matos Caminhas. Estratgias de Deteco e Diagnstico de Falhas em Sistemas
Dinmicos. Phd thesis, Universidade Estadual de Campinas - UNICAMP 1997,
Brasil, 1997.
[7] BayramCetisli. Development of an adaptive reuro-fuzzy classier using linguistic
hedges: Part 1. Expert Systems with Applications, (37):60936101, 2010.
[8] Bayram Cetisli. The eect of linguistic hedges on feature selection: Part 2. Expert
Systems with Applications, (37):61026108, 2010.
[9] Bayram Cetisli and Atalay Barkana. Speeding up the scaled conjugate gradi-
ent algorithm and its application in neuro-fuzzy classier training. Soft Comput,
(14):365378, March 2010.
[10] Marcos F. S. V. DAngelo. Iterative tanks system by fault simulation.
www.dcc.unimontes.br/dangelo/benchmark.rar, 2011.
[11] Marcos F. S. V. DAngelo, Reinaldo M. Palhares, Walmir M. Caminhas, Ricardo
H. C. Takahashi, Renato D. Maia, Andr P. Lemos, and Maurlio J. Incio. Deteco
44 REFERNCIAS BIBLIOGRFICAS
de falhas: uma reviso com aplicaes. Anais do Congresso Brasileiro de AUtomtica
2010, mar 2010. Tutoriais do CBA. Bonito, MS.
[12] Marcos F. S. V. DAngelo, Reinaldo M. Palhares, Ricardo H.C. Takahashi, and
Rosangela H. Loschi. Fuzzy/Baysian change point detection approach to incipient
fault detection. IET - Control Theory & Applications, 5(4):539551, 2011.
[13] Marcos F. S. V. DAngelo, Douglas H. Fonseca Silva, Reinaldo M. Palhares, Wal-
mir M. Caminhas, Fabiano S. Moreira, and Andr P. Lemos. Deteco de falhas em
tanques interativos utilizando uma abordagem neural/fuzzy/Bayesiana para de-
teco de ponto de mudana. Anais do Congresso Brasileiro de Inteligncia Computaci-
onal 2011, Novembro 2011. X Congresso Brasileiro de Inteligncia Computacional.
Fortaleza, CE.
[14] Michel Duval andAlfonso dePablo. Interpretation of gas-in-oil analysis using new
iec publication 60599 and iec tc 10 databases. IEEE Electrical Insulation Magazine,
17(2):3141, 2001.
[15] Andrew K.S. Jardine and Albert H. C. Tsang. Maintenance, Replacement and Relia-
bility. Taylor & Francis Group, 2006.
[16] Rogier Jongen, E. Gulski, P. Morshuis, J. Smit, and A. Janssen. Statistical analysis
of power transformer component life time data. In Power Engineering Conference,
2007. IPEC 2007. International, pages 12731277, 2007.
[17] AllanKardec andJulio Nascif. MANUTENO- FUNOESTRATEGICA. QUA-
LITYMARK, 1999.
[18] Lawrence M. Leemis. Probabilistic Models and Statistical Methods. Prentice Hall,
Inc., Englewood Clis, New Jersey, 1995.
[19] D.M. Louit, R. Pascual, and A.K.S. Jardine. A practical procedure for the selection
of time-to-failure models based on the assessment of trends in maintenance data.
Reliability Engineering and System Safety, (94):16181628, 2009.
[20] Fabiano S. Moreira. Deteco de Pontos de Mudana em Sries Temporais Utilizando
Uma Formulao Neural/Fuzzy/Bayesiana: Aplicao na Deteco de Falhas. Phd thesis,
Universidade Federal de Minas Gerais, Brasil, 2011.
[21] Glenford J. Myers, Tom Badgett, Todd M. Thomas, and Corey Sandler. The art of
software testing. John Wiley Sons, 2004.
[22] Robson Quinello and Jose Roberto Nicoletti. Inteligncia competitiva nos depar-
tamentos de manuteno industrial no brasil. Journal of Information System and
Technology Management, 2(1):2137, 2005.
REFERNCIAS BIBLIOGRFICAS 45
[23] Renan N. O. Souza, Alexandre S. Brando, Matheus N. Faria, Andr G. Torres, and
Tarcisio A. Pizziolo. Acionamento de cargas via comando de voz utilizando tcni-
cas de redes neurais articiais. Anais do Congresso Induscon 2006, 2006. Conferncia
Internacional de Aplicaes Industriais, 2006, Recife - PE. IEEE - VII INDUSCON.
[24] Renan N. O. Souza, Reinaldo M. Palhares, Marcos F. S. V. DAngelo, andWalmir M.
Caminhas. Atualizao de distribuies de probabilidade e taxas de conabilidade
utilizando tcnicas de deteco de falhas. Anais do Congresso Brasileiro de AUto-
mtica 2012, Setembro 2012. XIX Congresso Brasileiro de Automtica. Campina
Grande, Paraba.
[25] Chuen-Tsai Sun and Jyh-Shing Jang. A neuro-fuzzy classier and its applications.
Proceedings of IEEE International Conference on fuzzy systems, pages 9498, 1993. San
Francisco.
[26] Lofti A. Zadeh. Fuzzylogic, neural networks andsoft computing. IEEETransactions
on Systems, Man, and Cybernetic, (3):7784, March 1994.