Banca de DEFESA: BRUNO SIELLY JALES COSTA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: BRUNO SIELLY JALES COSTA
DATA: 13/05/2014
HORA: 15:00
LOCAL: Auditório do NPITI
TÍTULO:
Detecção e Diagnóstico de Falhas Não-supervisionada Baseada em Estimativa de Densidade Recursiva e Classificador Fuzzy Auto-evolutivo


PALAVRAS-CHAVES:

Detecção de falhas, diagnóstico de falhas, identificação de falhas, estimativa de densidade recursiva, classificadores evolutivos, aprendizagem autônoma.


PÁGINAS: 100
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Eletrônica Industrial, Sistemas e Controles Eletrônicos
ESPECIALIDADE: Automação Eletrônica de Processos Elétricos e Industriais
RESUMO:

Este trabalho propõe um algoritmo de dois estágios para detecção e identificação de falhas, em tempo real, de plantas industriais. A proposta baseia-se na análise de características selecionadas utilizando estimativa de densidade recursiva e um novo algoritmo evolutivo de classificação. Mais especificamente, a abordagem proposta para detecção é baseada no conceito de densidade no espaço de dados, o que difere da tradicional função densidade de probabilidade, porém, sendo uma medida bastante útil 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 memória, e, dessa maneira, apropriado para aplicações on-line. O estágio de identificação/diagnóstico é 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 é que ele é capaz de aprender a partir "do zero". Tanto as regras fuzzy, quanto o número de classes para o algoritmo não necessitam de pré-especificação (o número de classes pode crescer, com os rótulos de classe sendo adicionados pelo processo de aprendizagem on-line), de maneira totalmente não-supervisionada. Nos casos em que uma base de regras inicial existe, AutoClass pode evoluir/desenvolver 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 estágios de detecção e identificação, porém a abordagem é genérica, e o número de características selecionadas pode ser significantemente maior, devido à metodologia computationalmente eficiente adotada, uma vez que cálculos mais complexos e armazenamento de dados antigos, não são necessários. Os resultados obtidos são significativamente melhores que os gerados pelas abordagens tradicionais.


MEMBROS DA BANCA:
Presidente - 1153006 - LUIZ AFFONSO HENDERSON GUEDES DE OLIVEIRA
Interno - 347628 - ADRIAO DUARTE DORIA NETO
Interno - 1746084 - DANIEL ALOISE
Externo à Instituição - MARLEY MARIA BERNARDES REBUZZI VELLASCO - PUC - RJ
Externo à Instituição - PLAMEN ANGELOV - NENHUMA
Notícia cadastrada em: 02/04/2014 09:16
SIGAA | Superintendência de Informática - | | Copyright © 2006-2020 - UFRN - sigaa13-producao.info.ufrn.br.sigaa13-producao