Abordagens Online e Offline para Detecção, Classificação e Estimação de Falhas em Sistemas Dinâmicos
Detecção e Classificação de Falhas, Abordagem Online, Abordagem Offline, Seleção de Características.
Neste trabalho apresentamos duas novas abordagens para realizar a detecção, classificação e estimação da severidade de falhas em sistemas dinâmicos. A primeira proposta deve ser utilizada quando o conjunto de dados estiver totalmente disponível a priori, essa proposta é caracterizada por utilizar um treinamento offline, sendo composta pelas fases de extração de características; seleção de características; detecção, classificação e estimação da severidade das falhas. Realizamos a extração de diversos recursos estatísticos no domínio do tempo, em seguida propomos utilizar técnicas como Análise de Componentes Principais, redes Autoencoder e Inteligência Artificial Explicável para realizar a seleção de características, por fim utilizamos a técnica Máquina de Vetor de Suporte nas fases de detecção, classificação e estimação da severidade das falhas. Já a segunda proposta deve ser usada quando os dados forem obtidos de forma contínua, ou seja, o conjunto de dados não estiver totalmente disponível a priori, essa abordagem é composta pelas mesmas fases da primeira abordagem, entretanto utilizamos técnicas online. Calcularemos as características de forma recursiva, em seguida iremos aplicar uma técnica de seleção de características online como análise de componentes principais incremental, rede autoencoder evolutiva. Na fase de detecção das falhas aplicamos o algoritmo Typicality and Eccentricity Data Analysis (TEDA), em seguida as amostras identificadas em estado de falha são aplicadas ao algoritmo AutoCloud para determinar a classificação e estimação da severidade das falhas. Para validar as abordagens propostas aplicamos as metodologias ao dataset de falhas em rolamentos de motores elétricos.