Monitoramento de processos industriais sob o efeito de concept drift utilizando análise externa e aprendizado ativo
Nome: CATHERINE SALVADOR HENRIQUE
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 24/03/2020
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| KLAUS FABIAN COCO | Examinador Externo |
| MARCO ANTONIO DE SOUZA LEITE CUADROS | Examinador Externo |
| PATRICK MARQUES CIARELLI | Orientador |
Resumo: O monitoramento adequado de processos industriais é de suma importância para detectar, prever e diagnosticar falhas, além de garantir que os produtos possuam qualidade e estejam dentro das especificações esperadas. Desta forma, é importante detectar distúrbios no processo, mau funcionamento de equipamentos ou outros eventos prejudiciais o quanto antes, para que, em seguida, seja possível identificar a causa do comportamento indesejado e ações corretivas sejam tomadas. Existem diversos métodos na literatura que tratam do monitoramento. Dentre eles, a utilização de técnicas de análise externa e métodos multivariados é bem difundida. Porém, existem mudanças no processo às quais esses métodos não são robustos o suficiente para se adequar e monitorar, gerando falsos alarmes em situações de normalidade. Assim, neste trabalho é proposto um sistema de união das técnicas de PCA (Principal Component Analysis) e análise externa com um método de aprendizado ativo através de detecções de concept drift para gerar um sistema de monitoramento que se ajuste às mudanças de comportamento de um processo de uma planta industrial. O método foi aplicado a um problema real de um ventilador industrial e os resultados apresentados mostraram que o modelo se adequou às mudanças do processo sem armazenar dados excessivos para treinamento do modelo e com um número menor de falsos alarmes em relação a um modelo sem atualização.
