A monitoração de variáveis e o diagnóstico de falhas é um aspecto importante a se considerar seja em plantas nucleares ou indústrias de processos, pois um diagnóstico precoce de falha permite a correção do problema proporcionando a não interrupção da produção e a segurança do operador e, assim, não causando perdas econômicas. O objetivo deste trabalho é, dentro do universo de todas as variáveis monitoradas de um processo, construir um conjunto de variáveis, não necessariamente mínimo, que será a entrada de uma rede neural e, com isso, conseguir monitorar, o maior número possível de variáveis. Esta metodologia foi aplicada ao reator de pesquisas IEA-R1 do IPEN. Para isso, as variáveis Potência do reator, Vazão do primário, Posição de barras de controle/segurança e Diferença de pressão no núcleo do reator D P, foram agrupadas, pois por hipótese quase todas as variáveis monitoradas em um reator nuclear tem relação com alguma dessas ou pode ser resultado da interação de duas ou mais. Por exemplo, a Potência está relacionada ao aumento e diminuição de algumas temperaturas bem como à quantidade de radiação devido à fissão do urânio; as Barras são reguladoras de potência e, por conseqüência podem influenciar na quantidade de radiação e/ou temperaturas; a Vazão do Circuito Primário, responsável pelo transporte de energia e pela conseqüente retirada de calor do núcleo. Assim, tomando o grupo de variáveis mencionadas, calculamos a correlação existente entre este conjunto B e todas as outras variáveis monitoradas (coeficiente de correlação múltipla), isto é, através do cálculo da correlação múltipla, que é uma ferramenta proposta pela teoria das Correlações Canônicas, foi possível calcular o quanto o conjunto B pode predizer cada uma das variáveis monitoradas. Uma vez que não seja possível uma boa qualidade de predição com o conjunto B, é acrescentada uma ou mais variáveis que possuam alta correlação com a variável melhorando a qualidade de predição. Finalmente, uma rede pode ser treinada com o novo conjunto e os resultados quanto a monitoração foram bastante satisfatórios quanto às 64 variáveis monitoradas pelo sistema de aquisição de dados do reator IEA-R1 através de sensores e atuadores , pois com um conjunto de 9 variáveis foi possível monitorar 51 variáveis.

The monitoring of variables and diagnosis of sensor fault in nuclear power plants or processes industries is very important because an early diagnosis allows the correction of the fault and, like this, do not cause the production interruption, improving operators security and its not provoking economics losses. The objective of this work is, in the whole of all variables monitor of a nuclear power plant, to build a set, not necessary minimum, which will be the set of input variables of an artificial neural network and, like way, to monitor the biggest number of variables. This methodology was applied to the IEA-R1 Research Reactor at IPEN. For this, the variables Power, Rate of flow of primary circuit, Rod of control/security and Difference in pressure in the core of the reactor ( D P) was grouped, because, for hypothesis, almost whole of monitoring variables have relation with the variables early described or its effect can be result of the interaction of two or more. The Power is related to the increasing and decreasing of temperatures as well as the amount radiation due fission of the uranium; the Rods are controls of power and influence in the amount of radiation and increasing and decreasing of temperatures and the Rate of flow of primary circuit has function of the transport of energy by removing of heat of the nucleus Like this, labeling B= {Power, Rate of flow of Primary Circuit, Rod of Control/Security and D P} was computed the correlation between B and all another variables monitoring (coefficient of multiple correlation), that is, by the computer of the multiple correlation, that is tool of Theory of Canonical Correlations, was possible to computer how much the set B can predict each variable. Due the impossibility of a satisfactory approximation by B in the prediction of some variables, it was included one or more variables that have high correlation with this variable to improve the quality of prediction. In this work an artificial neural network was trained and the results were satisfactory since the IEA-R1 Data Acquisition System reactor monitors 64 variables and, with a set of 9 input variables resulting from the correlation analysis, it was possible to monitor 51 variables using neural networks.