SISTEMA DE IDENTIFICAÇÃO DE TRANSIENTES COM INCLUSÃO DE RUÍDOS E INDICAÇÃO DE EVENTOS DESCONHECIDOS Antônio C. de A. Mol 1 , Aquilino S. Martinez 2 e Roberto Schirru 2 1 Divisão de Confiabilidade Humana - Instituto de Engenharia Nuclear - CNEN Caixa Postal 68550, Ilha do Fundão s/n, 21945-970, Rio de Janeiro, Brasil 2 COPPE / UFRJ - Caixa Postal 68509, Ilha do Fundão s/n, 21945-970, Rio de Janeiro, Brasil RESUMO Nos últimos anos, diferentes métodos baseados em Redes Reurais Artificiais (RNA) tem sido propostos para identificação de transientes em usinas nucleares. Alguns desses trabalhos focam a identificação dinâmica usando redes neurais recorrentes, contudo, elas não são aptas a trabalharem com eventos desconhecidos. Outro tipo de solução usa aprendizado competitivo de modo a obter a resposta “Não Sei”. Neste caso, características dinâmicas não são bem representadas. Este trabalho apresenta uma nova metodologia, baseada em RNA, para identificação de transientes a qual permite tanto uma identificação dinâmica quanto a resposta “Não Sei” para eventos desconhecidos. O método usa duas RNAs. A primeira rede é responsável pela identificação dinâmica, utilizando como entradas um pequeno conjunto (através de uma janela temporal móvel) dos valores recentes das variáveis de estado. A outra rede é usada para validar a identificação feita pela primeira rede através da validação de cada variável, emitindo assim a resposta “Não Sei” para eventos desconhecidos. No processo de validação, foi resolvido um problema de identificação de transientes de uma usina nuclear PWR. Os resultados obtidos mostraram a capacidade do método em analisar sistemas dinâmicos e emitir a resposta “Não Sei” para eventos desconhecidos. Keywords: transients, neural networks, accidents identification. I. INTRODUÇÃO As usinas nucleares contêm sistemas complexos, os quais são normalmente monitorados por operadores humanos. Durante um evento anormal, o operador é deparado com uma grande quantidade de informações oriundas dos instrumentos, que representam um determinado tipo de evento. A simples quantidade de dados se alterando pode confundir o operador, influenciando negativamente seu diagnóstico e consequentemente na sua atuação. A identificação destes eventos anormais é considerada extremamente importante como suporte à operação em uma usina nuclear [1]. No processo de identificação desses eventos, alguns trabalhos [2-5] que utilizaram Redes Neurais Artificiais (RNA) multicamadas com treinamento backpropagation, por este tipo de RNAs possuir um excelente capacidade de aproximação e generalização. Entretanto, diagnósticos baseados apenas neste tipo de RNAs podem levar a classificações erradas quando deparadas com eventos fora do escopo de treinamento. Existem métodos que utilizam RNA Classificadoras [6,7] na identificação desses eventos anormais, aproveitando o fato que estas RNAs conseguem gerar uma resposta “Não Sei” para eventos fora do escopo de treinamento. Entretanto um dos grandes problemas dessas RNAs é que elas não são aptas a trabalharem diretamente com sistemas dinâmicos, onde a existe uma dependência direta com o tempo, ou seja, elas podem somente mapear um vetor de entrada estático para um valor de saída. Outros métodos utilizam RNAs recorrentes [8], que são uma classe diferente de RNAs aptas a trabalharem com sistemas dinâmicos graças as suas arquiteturas internas que fazem uso de realimentações nas conexões entre seus neurônios. Entretanto, estes modelos de RNAs são inerentemente difíceis de treinar e, além disso, sua resposta se torna imprevisível quando deparadas com entradas fora do escopo de treinamento. Neste trabalho é apresentada a proposta de um sistema para classificação de eventos, que explora o excelente desempenho das RNAs multicamadas com algoritmo de treinamento “backpropagation”. Este sistema, também possui um procedimento de validação de diagnóstico de modo a obter a saída “não sei” para os eventos fora do escopo de treinamento, evitando assim classificações incorretas ou não confiáveis. Uma outra característica importante do sistema é que ele se mostra independente da variável tempo, tornando-o robusto em relação a esta limitação. Na seção 2 é apresentada RNA “Jump” e sua utilização em sistemas dinâmicos ruidosos. A seção 3 contém a descrição dos procedimentos para identificação e validação do evento. Na seção 4 é apresentada uma aplicação deste método a um caso exemplo de transientes