Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/18577
Título: Detecção e diagnóstico de falhas não-supervisionados baseados em estimativa de densidade recursiva e classificador fuzzy auto-evolutivo
Autor(es): Costa, Bruno Sielly Jales
Palavras-chave: Detecção de falhas. Diagnostico de falhas. Identifificação de falhas. Estimativa de densidade recursiva. Classifificadores evolutivos, sistemas fuzzy. Aprendizagem autônoma;Fault detection. Fault diagnosis. Fault identification. Recursive density estimation. Evolving classifiers. Fuzzy. Systems. Autonomous learning
Data do documento: 13-Mai-2014
Editor: Universidade Federal do Rio Grande do Norte
Citação: COSTA, Bruno Sielly Jales. Detecção e diagnóstico de falhas não-supervisionados baseados em estimativa de densidade recursiva e classificador fuzzy auto-evolutivo. 2014. 100 f. Tese (Doutorado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2014.
Resumo: In this work, we propose a two-stage algorithm for real-time fault detection and identification of industrial plants. Our proposal is based on the analysis of selected features using recursive density estimation and a new evolving classifier algorithm. More specifically, the proposed approach for the detection stage is based on the concept of density in the data space, which is not the same as probability density function, but is a very useful measure for abnormality/outliers detection. This density can be expressed by a Cauchy function and can be calculated recursively, which makes it memory and computational power efficient and, therefore, suitable for on-line applications. The identification/diagnosis stage is based on a self-developing (evolving) fuzzy rule-based classifier system proposed in this work, called AutoClass. An important property of AutoClass is that it can start learning from scratch". Not only do the fuzzy rules not need to be prespecified, but neither do the number of classes for AutoClass (the number may grow, with new class labels being added by the on-line learning process), in a fully unsupervised manner. In the event that an initial rule base exists, AutoClass can evolve/develop it further based on the newly arrived faulty state data. In order to validate our proposal, we present experimental results from a level control didactic process, where control and error signals are used as features for the fault detection and identification systems, but the approach is generic and the number of features can be significant due to the computationally lean methodology, since covariance or more complex calculations, as well as storage of old data, are not required. The obtained results are significantly better than the traditional approaches used for comparison
metadata.dc.description.resumo: Este trabalho propõe um algoritmo de dois estagios para detecção e identificação de falhas, em tempo real, em plantas industriais. A proposta baseia-se na analise de características selecionadas utilizando estimativa de densidade recursiva e um novo algoritmo evolutivo de classificação. Mais especificamente, a abordagem proposta para detecção e baseada no conceito de densidade no espaço de dados, o que difere da tradicional função densidade de probabilidade, porem, sendo uma medida bastante util na detecção de anormalidades/outliers. Tal densidade pode ser expressa por uma função de Cauchy e calculada recursivamente, o que torna o algoritmo computacionalmente eficiente, em termos de processamento e memoria, e, dessa maneira, apropriado para aplicações on-line. O estagio de identificação/diagnostico e realizado por um classificador baseado em regras fuzzy capaz de se auto-desenvolver (evolutivo), chamado de AutoClass, e introduzido neste trabalho. Uma propriedade importante do AutoClass e que ele e capaz de aprender a partir do zero". Tanto as regras fuzzy, quanto o numero de classes para o algoritmo não necessitam de pre-especificação (o numero de classes pode crescer, com os rotulos de classe sendo adicionados pelo processo de aprendizagem on-line), de maneira n~ao-supervisionada. Nos casos em que uma base de regras inicial existe, AutoClass pode evoluir/desenvolver-se a partir dela, baseado nos dados adquiridos posteriormente. De modo a validar a proposta, o trabalho apresenta resultados experimentais de simulação e de aplicações industriais reais, onde o sinal de controle e erro são utilizados como características para os estagios de detecção e identificação, porem a abordagem e generica, e o numero de características selecionadas pode ser significativamente maior, devido à metodologia computacionalmente eficiente adotada, uma vez que calculos mais complexos e armazenamento de dados antigos não são necessários. Os resultados obtidos são signifificativamente melhores que os gerados pelas abordagens tradicionais utilizadas para comparação
URI: http://repositorio.ufrn.br:8080/jspui/handle/123456789/18577
Aparece nas coleções:PPGEE - Doutorado em Engenharia Elétrica e de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
BrunoSJC_TESE.pdf2,54 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.