Banca de DEFESA: JEAN MARIO MOREIRA DE LIMA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JEAN MARIO MOREIRA DE LIMA
DATA : 03/09/2021
HORA: 10:00
LOCAL: Sala virtual Google Meet
TÍTULO:

Extração de Características Representativas Para o Desenvolvimento de Sensores Virtuais Industriais: Uma Abordagem Baseada em Aprendizado Profundo


PALAVRAS-CHAVES:

Aprendizado Profundo, Aprendizado semi-supervisionado, Soft sen- sors, Autoencoders, LSTM, Informação Mútua.


PÁGINAS: 92
RESUMO:

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.


MEMBROS DA BANCA:
Presidente - 1451883 - FABIO MENEGHETTI UGULINO DE ARAUJO
Interno - 1837240 - MARCELO AUGUSTO COSTA FERNANDES
Interno - 1445637 - WALLACE MOREIRA BESSA
Externo à Instituição - LEANDRO LUTTIANE DA SILVA LINHARES - IFRN
Externo à Instituição - ROBERTO KAWAKAMI HARROP GALVAO - ITA
Notícia cadastrada em: 04/08/2021 13:20
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa12-producao.info.ufrn.br.sigaa12-producao