Extração de Características Representativas Para o Desenvolvimento de Sensores Virtuais Industriais: Uma Abordagem Baseada em Aprendizado Profundo
Aprendizado Profundo, Aprendizado semi-supervisionado, Soft sen- sors, Autoencoders, LSTM, Informação Mútua.
O aprendizado profundo vem sendo utilizado cada vez mais nos problemas de mo- delagem de sensores virtuais, os soft sensors, aplicados a processos industriais de não- linearidade acentuada. Sensores virtuais têm a capacidade de gerar estimativas de variá- veis de processo, que normalmente estão associadas a índices de qualidade, em tempo real. Assim, tais sensores apresentam-se como uma alternativa viável quando as variá- veis de interesse são de difícil medição devido a algum fator limitante: indisponibilidade de sensores físicos ou grandes intervalos de medição. Estratégias tradicionais de apren- dizado de máquina encontram dificuldades para modelar tais sensores. Normalmente, processos industriais são altamente não-lineares e a quantidade de dados rotulados dis- poníveis é escassa. Devido a isso, a extração de características representativas presente na quantidade abundante de dados não-rotulados tem se tornado uma área de interesse no desenvolvimento de sensores virtuais. A partir das premissas citadas, uma nova téc- nica de modelagem de sensores virtuais, baseada em aprendizado profundo e de repre- sentação, que integra autoencoders empilhados (SAE), informação mútua (MI), memória longa de curto prazo (LSTM) e agregação bootstrap, é proposta. Primeiramente, no está- gio não supervisionado, a estrutura SAE é treinada hierarquicamente camada-a-camada. Em seguida, logo após o treinamento de uma camada, a análise MI é conduzida entre as saídas-alvo do modelo e as representações da camada atual com objetivo de avaliar as características aprendidas. Neste sentido, o método proposto remove as informações irre- levantes e pondera as retidas de tal maneira que os pesos sejam proporcionais à relevância da representação. Além disso, esta abordagem é capaz de extrair informações represen- tativas profundas. Na etapa supervisionada, por sua vez, chamada de ajuste fino, uma estrutura LSTM é acoplada à cauda da estrutura SAE para endereçar o comportamento dinâmico intrínseco dos sistemas industriais avaliados. Por fim, uma estratégia de ensem- ble, chamada de agregação bootstrap, combina os modelos obtidos na fase do treinamento supervisionado com o propósito de melhorar a performance e a credibilidade do sensor virtual. Assim, para avaliar a performance dos modelos gerados pela técnica proposta, utiliza-se dois processos não-lineares industriais, amplamente usados como benchmarks na implementação de soft sensors. Os resultados mostram que os sensores virtuais pro- postos obtiveram desempenho de predição melhor que métodos tradicionais e diversos métodos estado-da-arte.