Detecção de Corrosão Utilizando Correntes Parasitas Pulsadas e Classificadores Neurais com Restrições de Treinamento
Ensaios não destrutivos, Inteligência de máquina, Redes neurais artificiais
Corrosão de tubos metálicos é um problema comum na indústria. Se não
for detectada a tempo pode causar rompimento do tubo, resultando em
perda na produção e acidentes graves. Em tubos industriais termicamente
isolados por material compósito a corrosão pode permanecer escondida sob
isolamento térmico, ou ainda na parte interna do tubo. Para detectar a corro-
são visualmente é necessário remover temporariamente o isolamento térmico.
Entretanto, esta remoção pode ser impraticável com a planta industrial em
funcionamento. Portanto, neste trabalho foi utilizado um tipo de ensaio não
destrutivo chamado correntes parasitas pulsadas (PEC) para detectar esta
corrosão escondida. A interpretação deste tipo de ensaio depende da expe-
riência e habilidade técnica do operador. Em aplicações como essa, cada
erro de classificação possui consequências distintas. Classificar um tubo com
corrosão como não apresentando corrosão inibe a execução da devida manu-
tenção, aumentando as chances de rompimento do tubo. Nesta dissertação,
foi proposto um classificador neural para auxiliar o operador na tomada de
decisão. Este classificador foi treinado utilizando otimização por enxame de
partículas com restrições, de forma a considerar os diferentes erros de clas-
sificação de formas distintas. Foi considerado que os erros que aumentam
os riscos de acidentes são mais indesejáveis que os erros que provocam ape-
nas perdas financeiras. Para avaliação do método proposto, foram utilizadas
amostras de sinais PEC adquiridas de tubos de uma indústria petroquímica.
O classificador treinado pelo método proposto não apresentou erros de classi-
ficação que comprometem a segurança da planta industrial. Ao contrário do
observado com classificadores treinados pelas diferentes variações do método
backpropagation analisadas neste trabalho.