Programa de Pós-Graduação em Engenharia Elétrica e de Computação
URI Permanente desta comunidadehttps://repositorio.ufrn.br/handle/123456789/11949
Navegar
Navegando Programa de Pós-Graduação em Engenharia Elétrica e de Computação por Assunto "Abordagens off-line e on-line"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Tese Abordagens com aprendizagem on-line e off-line para detecção, classificação e estimação de falhas em sistemas dinâmicos(Universidade Federal do Rio Grande do Norte, 2024-08-20) Santos, Mailson Ribeiro; Oliveira, Luiz Affonso Henderson Guedes de; https://orcid.org/0000-0003-2690-1563; http://lattes.cnpq.br/7987212907837941; http://lattes.cnpq.br/7242148883405512; Silva, Ivanovitch Medeiros Dantas da; Fernandes, Marcelo Augusto Costa; Munaro, Celso José; Gendriz, Ignacio SanchezEste estudo aborda métodos para detecção, classificação e avaliação da severidade de falhas em sistemas dinâmicos, em resposta à necessidade de monitoramento eficaz em ambientes industriais complexos. Com o objetivo de mitigar erros humanos e identificar falhas em tempo real, utilizam-se abordagens de aprendizado de máquina, tanto off-line quanto on-line. A primeira parte do trabalho utiliza uma metodologia com aprendizado off-line, empregando características selecionadas por sua relevância com base em informações extraídas de uma técnica de Inteligência Artificial Explicável (XAI), com o objetivo de desenvolver modelos eficazes. A Máquina de Vetor de Suporte (SVM) foi utilizada em todas as etapas dessa abordagem. A segunda parte do estudo enfocou uma abordagem com aprendizado on-line, utilizando algoritmos evolutivos em todas as fases. Foram testadas duas abordagens de pré-processamento de dados: uma baseada na relevância das características obtida off-line e a outra usando janelamento temporal nos dados dos sensores. Além disso, uma modificação no algoritmo Typicality and Eccentricity Data Analysis (TEDA) foi proposta para a detecção e classificação de falhas, comparando duas versões do algoritmo para identificar a mais eficaz. Na última fase on-line, o algoritmo AutoCloud foi empregado para identificar a gravidade das falhas. Um aspecto compartilhado entre as abordagens de aprendizado off-line e on-line é o critério sequencial, no qual dados previamente identificados como falhos são empregados na classificação de falhas, enquanto os dados de cada tipo de falha são utilizados separadamente na identificação da gravidade. Para validação das propostas, foi utilizado o benchmark da Case Western Reserve University (CWRU) para falhas em rolamentos. Na abordagem de aprendizado off-line, obtivemos resultados satisfatórios com um número reduzido de características, demonstrando a eficiência e eficácia do modelo proposto. Os resultados da abordagem de aprendizado on-line demonstraram que o algoritmo TEDA Modificado obteve métricas de avaliação superiores em relação ao TEDA Original na detecção de falhas, independentemente da abordagem de pré-processamento adotada. No entanto, a capacidade de classificação foi mais satisfatória quando se utilizou a abordagem de pré-processamento com dados janelados em conjunto com o TEDA Original. Quanto à identificação da gravidade das falhas, a primeira abordagem apresentou resultados satisfatórios, especialmente para falhas de um tipo específico, enquanto a segunda abordagem enfrentou dificuldades, resultando em métricas de avaliação baixas. Comparando as abordagens de aprendizado on-line e off-line, ambas mostraram eficácia semelhante na detecção e classificação de falhas, porém a identificação da gravidade foi mais precisa na abordagem com aprendizado off-line. Conclui-se que ambas as propostas são promissoras.