Representação Baseada em Autoenconder Empilhado Otimizado por Enxame de Partículas
Otimização por Enxame de Partículas, Sensores Virtuais, Aprendizagem Profunda, Autoencoders Empilhados, Informação Mútua.
A competitividade no mercado impulsiona as organizações a buscar o desenvolvimento tecnológico com o objetivo de aprimorar a qualidade dos produtos e reduzir os custos de produção, ao mesmo tempo em que atendem às demandas socioambientais dos consumidores. No entanto, os processos industriais podem apresentar desafios no monitoramento e controle em tempo real de variáveis críticas. Uma solução para esse problema é a utilização de soft sensors, que consistem em algoritmos capazes de estimar variáveis difíceis de serem medidas a partir de variáveis secundárias de fácil medição. Um desafio comum em projetos de soft sensors é a falta de dados rotulados, o que torna os métodos semi-supervisionados mais promissores do que os métodos tradicionais. Nesse contexto, a arquitetura de rede neural denominada Autoencoder Empilhado tem sido amplamente empregada. Essa arquitetura é treinada de forma não supervisionada e posteriormente ajustada de forma supervisionada. No entanto, a definição adequada dos hiperparâmetros do Autoencoder Empilhado, tais como tamanho do lote, taxa de aprendizado e número de características ocultas, representa um desafio. Os métodos tradicionais, como Grid Search e Random Search, são computacionalmente intensivos e podem não encontrar rapidamente a melhor combinação de hiperparâmetros. Uma alternativa mais eficiente é o uso de algoritmos meta-heurísticos, como a Otimização por Enxame de Partículas. Esses algoritmos exploram o espaço de busca de maneira mais inteligente e são mais eficazes em espaços de alta dimensionalidade. Uma abordagem promissora consiste em incorporar a Informação Mútua na função de avaliação da Otimização por Enxame de Partículas, em conjunto com o Erro Médio Quadrado. A Informação Mútua captura relações não lineares entre as saídas do Autoencoder Empilhado e as saídas reais do sistema, enquanto o Erro Médio Quadrado mede a diferença entre essas saídas. Neste contexto, a presente tese propõe o método Representação Baseada no Autoencoder Empilhado Otimizado por Enxame de Partículas, o qual utiliza a Otimização por Enxame de Partículas com uma função de avaliação modificada para otimizar os hiperparâmetros de um soft sensor baseado no Autoencoder Empilhado. Espera-se que essa abordagem aprimore a precisão e a capacidade de representação do Autoencoder Empilhado em comparação com as abordagens convencionais, que utilizam apenas o Erro Médio Quadrado. Com o objetivo de avaliar o desempenho dos modelos gerados pelo método proposto, foram selecionados dois processos não-lineares amplamente utilizados na indústria. Os resultados obtidos demonstram que a incorporação da Informação Mútua na função de avaliação permite uma busca mais eficiente e equilibrada, resultando em um Autoencoder Empilhado com melhor desempenho e capacidade de representação.