Descrição: Durante seu funcionamento normal, ocorrem diversas vibrações na ER provocadas pela sua movimentação. Mas em locais de grande concentração de usuários, a passagem de um grande número de usuários pode introduzir outros tipos de vibrações nas ERs. Suspeitava-se que estas vibrações adicionais poderiam levar os sensores a diagnosticar de forma equivocada uma falha. A fim de confirmar se as vibrações provenientes da passagem dos usuários sobre as ERs influenciam na atuação dos sensores de segurança, foi desenvolvido um aparelho de baixo custo para coletar os dados de vibração. Este aparelho coletor foi instalado em duas ERs distintas, uma com baixo índice de falhas e outra com alto índice de falhas. O protótipo desenvolvido é portátil e de baixo custo, ele monitora as vibrações da ER em três eixos X, Y e Z, e grava estes dados em um cartão de dados para posterior análise. O princípio de funcionamento do coletor de dados é detalhado a seguir: A vibração da ER é monitorada pelo acelerômetro. O microcontrolador lê os dados do acelerômetro e os grava em um cartão SD. Os dados vibracionais são então separados e classificados através de uma rede neural artificial do tipo Mapa Auto-Organizável. Uma Rede Neural Artificial (RNA), é uma máquina projetada para modelar a maneira que o cérebro realiza uma tarefa particular ou função de interesse. Ou seja, pode-se dizer que uma RNA é uma tentativa de simular a forma como o cérebro lida para solucionar problemas. O Mapa Auto-Organizável (MAO), é um tipo de RNA baseada em aprendizado competitivo e não supervisionado. O principal objetivo de um MAO é transformar, de maneira gradativa, uma entrada com padrão arbitrário e aleatório em um mapa topologicamente organizado. Em outras palavras, a rede MAO é utilizada para aprender a distinguir diferentes tipos de dados e classifica-los por similaridade. A análise dos dados vibracionais, mostrou que os sinais provenientes da vibração em uma ER nos diversos momentos do dia são muito semelhantes e de difícil separação. Assim, os dados vibracionais foram transformados em vetores que foram classificados utilizando a RNA do tipo MAO. Os dados foram analisados e separados em quatro grupos de sinais. O sistema resultante conseguiu classificar corretamente todos os sinais com 78% de acerto, independentemente do horário do dia.
AUTORES:
Alessandro Lins Alves