ALGORITMO MODIFICADO DE TREINAMENTO DE REDES NEURAIS DE FUNÇÃO DE BASE RADIAL COM AVALIAÇÃO DIRETA DE MÉTRICAS DE DESEMPENHO DE MODELOS AUTO-ASSOCIATIVOS PARA VALIDAÇÃO DE LEITURA DE SENSORES

     Este trabalho apresenta o uso da rede neural artificial função de base radial para estimar as leituras de sensores, explorando a redundância analítica via auto associação. No entanto, a fim de garantir o bom desempenho da rede, o processo de treinamento e otimização foi modificado. No algoritmo de treinamento convencional, embora os critérios de parada, tal como soma dos erros quadráticos, sejam atingidos, uma ou mais métricas de desempenho individuais, incluindo: i) precisão; ii) robustez; iii) espalhamento e iv) filtragem da rede neural pode não serem satisfatórias. A modificação do algoritmo de treinamento se baseia em buscar garantir que uma ou mais métricas sejam atingidas. O trabalho descreve o algoritmo proposto incluindo toda a base matemática. Um conjunto de dados de uma bomba de injeção de água de uma unidade processamento de petróleo e gás é usado para treinar uma rede RBF usando o algoritmo convencional e o modificado para avaliar o desempenho de ambos. Além disso, o modelo AAKR é usado para o mesmo conjunto de dados. Por fim, um estudo comparativo dos modelos desenvolvidos é feito para cada uma das métricas de desempenho, bem como para a eficácia global, demonstrando a principal vantagem da abordagem proposta que consistem na obtenção de resultados de estimação equivalentes ou superiores ao AAKR com tempo de execução muito menor e a desvantagem de ter maior complexidade durante o treinamento do modelo.