[pt] Este trabalho descreve a concepção e realização de um microcomputador para aplicações onde há necessidade de um elevado grau de segurança. A transmissão incorreta de dados pode ser evitada: - com a utilização de circuitos auto-testáveis - pelo bloqueio do seu funcionamento no caso de deteção de falha. O microcomputador é baseado no microprocessador 8080 da Intel e apresenta as seguintes características: -toda a parte em funcionamento do sistema é testada - o diagnóstico é feito no nível de placas, sendo a placa defeituosa indicada no painel após o bloqueio do computador - deteção nas unidades memória através de bits de paridade 8 portas de entrada/saída uma avaliação do número de circuitos utilizados é apresentada em função do tamanho de memória. / [en] The design and realization of a microcomputer for high security level applications is described. Erroneous data transmission may be prevented by: -self - checking circuits -blocking the computer upon detection of a failure. The microcomputer is built around the Intel 8080 microprocessor and has the followinf characteristics: - All the working circuits are tested. - a card level dragnosis is provided with indication by panel of the faulty unit, atter computer stop. - memory detection by parity bits - 8 I/0 ports. An evaluation of the number of the envisaged memory is presented.

[pt] Contratos de software podem ser escritos como expressões lógicas capazes de identificar falhas que ocorrem durante a utilização de um software. É possível implementar a verificação de um contrato em um software através de assertivas executáveis. No entanto, a forma como assertivas convencionais são implementadas não é diretamente aplicável a sistemas distribuídos, uma vez que apresentam dificuldades para avaliar expressões temporais, tampouco as expressões podem envolver propriedades de diferentes processos. Este trabalho propõe um mecanismo baseado em logs com meta-informações para a verificação de contratos em sistemas distribuídos. Uma gramática para redigir contratos possibilita operações temporais, ou seja, permite a especificação de condições entre eventos, em diferentes instantes de tempo, ou mesmo garante uma sequência de eventos, durante um período de tempo. O fluxo de eventos gerado é avaliado assincronamente em relação à utilização do sistema, pela comparação com contratos, previamente escritos de acordo com a gramática, que representam as expectativas sobre o comportamento normal do sistema. / [en] Software contracts can be written as assertions that identify failures observed while using the software. Software contracts can be implemented through executable assertions. However, conventional assertions are not directly applicable in distributed systems, as they present difficulties to evaluate temporal expressions, as well as expressions involving properties of different processes. This work proposes a mechanism based on logs with meta-information to evaluate contracts in distributed systems. A grammar to write contracts enable temporal operations, e.g., allows specifying conditions between events at different timestamps, or even guaranteeing a sequence of events over a period of time. The flow of events is evaluated asynchronously in relation to the system execution, by comparison with contracts, previously written according to the grammar, representing the expectations on the behavior of the system.

[pt] A interpretação de falhas sísmicas é uma tarefa complexa e trabalhosa, que está sujeita à experiência do geólogo. Normalmente ela é auxiliada pela análise de atributos sísmicos, que podem não ser suficientes para uma clara visualização das falhas. Este trabalho realiza uma análise dos métodos atuais que utilizam ACO para o realce de atributos de falha, de forma a entender a contribuição de cada etapa para o resultado. Com base nessa análise, um novo método é proposto, o qual elimina as fraquezas encontradas de forma a buscar uma convergência mais estável e rápida ao resultado. / [en] The interpretation of seismic faults is a complex and labourious task, which is dependent on the experience of the geologist. The interpretation is normally aided by seismic attributes. However, they may not be enough for a clear visualization nor to be used in automatic extraction methods. This dissertation accomplishes an examination of the state of the art ACO algorithms for fault enhancement. This study reveals the importance, contributions and weaknesses of each step of these methods. From there, a new method is proposed, which eliminates some of the problems found, acquiring a more stable and quick convergence of the end result.

[pt] Este trabalho investiga métodos de detecção de falhas baseados em sistemas imunológicos artificiais, especificamente aqueles baseados no algoritmo de seleção negativa (NSA) e em outras técnicas de reconhecimento próprio/nãopróprio. Inicialmente, foi proposto um esquema de representação baseado em hiperesferas com centros e raios variáveis e três modelos capazes de gerar detectores, com esta representação, de forma eficiente. O primeiro modelo utiliza algoritmos genéticos onde cada gene do cromossomo contém um índice para um ponto de uma distribuição quasi-aleatória que servirá como centro do detector e uma função decodificadora responsável por determinar os raios apropriados. A aptidão do cromossomo é dada por uma estimativa do volume coberto através uma integral de Monte Carlo. O segundo modelo utiliza o particionamento Quadtree para gerar o posicionamento dos detectores e o valor dos raios. Este modelo pode realizar o particionamento a partir de uma função de detecção ou através de divisões recursivas de um detector inicial que ocupa todo o espaço. O terceiro modelo é inspirado nas redes imunológicas. Neste modelo, as células B representam os detectores e a rede formada por eles dá a posição e o raio de cada detector. Experimentos com dados sintéticos e reais demonstram a capacidade dos algoritmos propostos e que eles apresentam melhorias nos aspectos de escalabilidade e desempenho na detecção de falhas. / [en] This work investigates fault detection methods based on Artificial Immune Systems, specifically the negative selection algorithm (NSA) and other self/nonself recognition techniques. First, there was proposed a representation scheme based on hyperspheres with variable center and radius, and three models, which are very capable to generate detectors, based on that representation scheme, in an effective way. The first model employs Genetic Algorithms where each chromosome gene represents an index to a point in a quasi- random distribution, that will serve as a detector center, a decoder function will be responsible to determine the appropriate radius. The chromosome fitness is given by a valuation of the covered volume, which is calculated through a Monte Carlo integral. The second model uses the Quadtree space partition technique to generate the detectors positions and their radius. The space partition could be done by using a detection function or by recursive divisions of an initial detector that occupies the whole space. In third model, inspired on immune networks, the B cells represent the detectors and the network that is established by them gives the location and radius of each detector. Experiments with syntetic and real data show that the proposed algorithms improve scalability and perform better in fault detection.

[pt] Mesmo sistemas de software desenvolvidos com um controle de qualidade rigoroso podem apresentar falhas durante seu ciclo de vida. Quando uma falha é observada no ambiente de produção, mantenedores são responsáveis por produzir o diagnóstico e remover o seu defeito correspondente. No entanto, em um serviço crítico este tempo pode ser muito longo, logo, se for possível, a assinatura da falha deve ser utilizada para gerar um mecanismo de recuperação automático capaz de detectar e tratar futuras ocorrências similares, até que o defeito possa ser removido. Nesta tese, a atividade de recuperação consiste em restaurar o sistema para um estado correto, que permita continuar a execução com segurança, ainda que com limitações em suas funcionalidades. Para serem eficazes, as tarefas de diagnóstico e recuperação requerem informações detalhadas sobre a execução que falhou. Falhas que ocorrem durante a fase de testes em um ambiente controlado podem ser depuradas através da inserção de nova instrumentação e re-execução da rotina que contem o defeito, tornando mais fácil o estudo de comportamentos inesperados. No entanto, falhas que ocorrem no ambiente de produção apresentam informações limitadas à situação específica em que ocorrem, além de serem imprevisíveis. Para mitigar essa adversidade, informações devem ser coletadas sistematicamente com o intuito de detectar, diagnosticar para recuperar e, eventualmente, diagnosticar para remover a circunstância geradora da falha. Além disso, há um balanceamento entre a informação inserida como instrumentação e a performance do sistema: técnicas de logging geralmente apresentam baixo impacto no desempenho, porém não provêm informação suficiente sobre a execução; por outro lado, as técnicas de tracing podem registrar informações precisas e detalhadas, todavia são impraticáveis para um ambiente de produção. Esta tese propõe uma abordagem hibrida para gravação e extração de informações durante a execução do sistema. A solução proposta se baseia no registro de eventos, onde estes são enriquecidos com propriedades contextuais sobre o estado atual da execução no momento em que o evento é gravado. Através deste registro de eventos com informações de contexto, uma técnica de diagnóstico e uma ferramenta foram desenvolvidas para permitir que eventos pudessem ser filtrados com base na perspectiva de interesse do mantenedor. Além disso, também foi desenvolvida uma abordagem que utiliza estes eventos enriquecidos para detectar falhas automaticamente visando recuperação. As soluções propostas foram avaliadas através de medições e estudos conduzidos em sistemas implantados, baseando-se nas falhas que de fato ocorreram enquanto se utilizava o software em um contexto de produção. / [en] Even software systems developed with strict quality control may expect failures during their lifetime. When a failure is observed in a production environment the maintainer is responsible for diagnosing the cause and eventually removing it. However, considering a critical service this might demand too long a time to complete, hence, if possible, the failure signature should be identified in order to generate a recovery mechanism to automatically detect and handle future occurrences until a proper correction can be made. In this thesis, recovery consists of restoring a correct context allowing dependable execution, even if the causing fault is still unknown. To be effective, the tasks of diagnosing and recovery implementation require detailed information about the failed execution. Failures that occur during the test phase run in a controlled environment, allow adding specific code instrumentation and usually can be replicated, making it easier to study the unexpected behavior. However, failures that occur in the production environment are limited to the information present in the first occurrence of the failure. But run time failures are obviously unexpected, hence run time data must be gathered systematically to allow detecting, diagnosing with the purpose of recovering, and eventually diagnosing with the purpose of removing the causing fault. Thus there is a balance between the detail of information inserted as instrumentation and the system performance: standard logging techniques usually present low impact on performance, but carry insufficient information about the execution; while tracing techniques can record precise and detailed information, however are impracticable for a production environment. This thesis proposes a novel hybrid approach for recording and extracting system s runtime information. The solution is based on event logs, where events are enriched with contextual properties about the current state of the execution at the moment the event is recorded. Using these enriched log events a diagnosis technique and a tool have been developed to allow event filtering based on the maintainer s perspective of interest. Furthermore, an approach using these enriched events has been developed that allows detecting and diagnosing failures aiming at recovery. The proposed solutions were evaluated through measurements and studies conducted using deployed systems, based on failures that actually occurred while using the software in a production context.

[pt] Os processos industriais enfrentam novos desafios com o avanço da Indústria 4.0 e a crescente demanda por melhorias na detecção de falhas. A detecção de falha fundamenta-se em diversas técnicas de métodos estatísticos e aprendizado de máquina. Embora sejam eficazes, possuem algumas desvantagens, tais como simplificação do processo, baixa capacidade em lidar com ruído, baixa capacidade em lidar com sistemas complexos não lineares, alta demanda computacional e risco de de overf itting. Em resposta a essas limitações, este trabalho apresenta uma abordagem inovadora na área da polimerização empregando redes neurais siamesas (SNNs) e células long short-term memory (LSTM) para a detecção precoce de falhas na polimerização de estireno. Foi realizado a modelagem da polimerização do estireno em reator CSTR utilizando o método dos momentos para o balanço de massa e energia e, neste sistema, foi adicionado controle proporcional-integral-derivativo (PID) para simular uma situação real de controle de processo no contexto de um processo industrial. A partir do modelo foi possível obter treze simulações, das quais cinco são processos sem falha e oito são processos com falhas. Esses dados foram tratados e serviram para treinar as redes siamesas. Com a capacidade de classificar se esses dados de entrada são semelhantes ou diferentes, foi possível realizar a detecção de falha. Os resultados encontrados demonstram uma taxa de detecção de falhas com uma acurácia de até 100 por cento, demonstrando a capacidade desse modelo em detectar falhas em processos químicos complexos, dinâmicos e não-lineares. Este estudo representa um avanço significativo no campo da detecção de falhas, oferecendo oportunidades valiosas para futuras investigações e aprimoramentos em sistemas inteligentes de detecção de falhas na indústria química. / [en] Industrial processes face new challenges with the advancement of Industry 4.0 and the increasing demand for improvements in fault detection. Fault detection is based on various techniques of statistical methods and machine learning. Although effective, they have some disadvantages, such as process simplification, low capacity to deal with noise, low capacity to deal with complex nonlinear systems, high computational demand, and risk of overfitting. In response to these limitations, this work introduces an innovative approach on the polymerization field that employs siamese neural networks (SNNs) and long short-term memory (LSTM) cells for early detection of faults in styrene polymerization. The modeling of styrene polymerization in a CSTR reactor was carried out using the method of moments for mass and energy balance, and in this system, proportional-integral-derivative (PID) control was added to simulate a real process control situation in the context of an industrial process. From the model, it was possible to obtain thirteen simulations, of which five are non-fault processes and eight are processes with faults. These data were processed and used to train the siamese networks. With the ability to classify whether these input data are similar or dissimilar, it was possible to perform fault detection. The results found demonstrate a fault detection rate with an accuracy of up to 100 percent, demonstrating the capability of this model in detecting faults in complex, dynamic, and nonlinear chemical processes. This study represents a substantial advance in the field of fault detection and also offers valuable findings for future investigations and improvements in intelligent fault detection systems in the chemical industry.

[pt] Calibrações manuais periódicas asseguram o funcionamento correto de um instrumento durante certo período de tempo, mas não garantem que sensores defeituosos permaneçam calibrados por outros períodos, além de eventualmente serem desnecessárias. Em plantas industriais, a análise dos sinais fornecidos pelos sensores que monitoram os processos de produção é uma tarefa difícil em virtude da grande dimensão dos dados. Portanto, uma estratégia de monitoramento e correção online para múltiplos sensores se faz necessária. Este trabalho propõe a utilização de dois modelos: um que emprega Redes Neurais Auto-Associativas com Treinamento Robusto Modificado (RNAAM), e outro que emprega o Teste Seqüencial da Razão de Probabilidade (SPRT) e Lógica Fuzzy. Esses modelos são aplicados em um sistema de monitoramento para auto-correção online e auto-validação das medições realizadas por um grande número de sensores. Diferentemente dos modelos existentes, o sistema proposto faz uso de apenas uma RNAAM para reconstruir os sinais dos sensores com falha. Além disso, os estados do sensor e do modelo de auto-correção são validados por meio dos módulos de confiabilidade e de classificação, respectivamente. Para avaliação do modelo, faz-se uso de uma base de dados com medidas de sensores industriais que controlam e realizam o monitoramento de um motor de combustão interna, instalado em um caminhão de mineração. Os resultados obtidos mostram a capacidade do modelo proposto de mapear e corrigir, com um baixo nível de erro, os sinais dos sensores que apresentam falhas, além de fornecer ao especialista uma ferramenta para a realização de cronogramas de revisão de sensores. / [en] Periodical manual calibrations assure the correct operation of an instrument for a certain period of time, but do not guarantee that faulty sensors remain calibrated for other periods, besides being occasionally unnecessary. In industrial plants the analysis of signals from sensors that monitor a plant is a difficult task due to the high-dimensionality of data. Therefore an online strategy for monitoring and correcting multiple sensors is required. This work proposes the use of two models: one that employs Auto Associative Neural Networks with a Modified Robust Training, and another that employs the Sequential Probability Ratio Test (SPRT) and Fuzzy Logic. These models are applied to an online monitoring system for self-correction and selfvalidation of measurements generated by a large number of sensors. Unlike existing models, the proposed system makes use of only one AANN to reconstruct signals from faulty sensors. Moreover, the states of the sensor and of the self correction model are validated through the reliability and classification modules, respectively. The model is evaluated with a database containing measurements of industrial sensors that control and carry out the monitoring of an internal combustion engine installed in a mining truck. Experimental results show the ability of the proposed model to map and correct signals from faulty sensors with a low error, and to provide a tool for sensor review scheduling.

[pt] A humanidade está vivenciando a Quarta Revolução Industrial, caracterizada pela implementação global da internet, utilização de inteligência artificial e automatização dos processos. Este último é de grande importância para indústria química, uma vez que seu desenvolvimento possibilitou um aumento significativo da quantidade de dados armazenados diariamente, o que gerou uma demanda para análise desses dados. Este enorme fluxo de informações tornou o sistema cada vez mais complexo com uma aleatoriedade de falhas no processo que se identificadas poderiam ajudar a melhorar o processo e evitar acidentes. Uma solução ainda pouco comum na indústria, porém com grande potencial para identificar estas falhas de processo com excelência, é a emergente inteligência artificial. Para lidar com esta questão, o presente trabalho realiza a detecção e identificação de falhas em processos industriais através da modelagem de redes neurais artificias. O banco de dados foi obtido através do uso do benchmark de processo Tennessee Eastman, implementado no Software Matlab 2017b, o qual foi projetado para simular uma planta química completa. A enorme quantidade de dados gerados pelo processo tornou possível a simulação em um contexto de Big Data. Para modelagem dos dados, foram tanto aplicadas redes neurais tradicionais feedforward, quanto redes recorrentes: Rede de Elman e Echo State Network. Os resultados apontaram que as redes feedforward e de Elman obtiveram melhores desempenhos analisados pelo coeficiente de determinação (R2). Assim, o primeiro modelo obteve melhor topologia com 37x60x70x1, algoritmo de treinamento trainlm, funções de ativação tansig para as duas camadas intermediárias e camada de saída ativada pela purelin com R2 de 88,69 por cento. O modelo da rede de Elman apresentou sua melhor topologia com 37x45x55x1, algoritmo de treinamento trainlm, funções de ativação tansig para as duas camadas intermediárias e camada de saída ativada pela função purelin com R2 de 83,63 por cento. Foi concluido que as redes analisadas podem ser usadas em controle preditivo de falhas em processos industriais, podendo ser aplicadas em plantas químicas no futuro. / [en] Humanity is experiencing the 4th Industrial Revolution, characterized by the global implementation of the internet, use of artificial intelligence and automation of processes. The last one is of great importance for the chemical industry, since its development allowed a significant increase in the amount of data stored daily, which generated a demand for the analysis of this data. This enormous flow of information made the system more and more complex with a randomness of process faults that if identified could help improve the process and prevent accidents. A solution not yet common in industry, but with great potential to identify these process faults with excellence, is the emergent artificial intelligence. To deal with this issue, the present work performs fault detection and diagnosis in industrial processes through artificial neural networks modeling. The database was obtained using the benchmark of processes Tennessee Eastman, implemented in Matlab 2017b Software, which is designed to simulate a complete chemical plant. The huge amount of data generated by the process made it possible to simulate in a Big Data context. For data modeling, were applied both traditional feedforward neural networks as well as recurrent networks: Elman Network and Echo State Network. The results indicated that the feedforward and Elman networks obtained better performances analyzed by the determination coefficient (R2). Thus, the first model obtained the best topology with 37x60x70x1, trainlm as training algorithm, tansig as activation functions for the two intermediate layers and output layer activated by the purelin function with R2 of 88.69 percent. The Elman network model presented its best topology with 37x45x55x1, trainlm as training algorithm, tansig as activation functions for the two intermediate layers and output layer activated by purelin function with R2 of 83.63 percent. It was concluded that the analyzed networks can be used in predictive control of fault in industrial processes and can be applied in chemical plants in the future.

[pt] A eletrocoagulação é um método emergente de tratamento de efluentes que combina os benefícios da coagulação, flotação e eletroquímica. Devido à complexidade inerente às operações de uma estação de tratamento de efluentes, é um desafio reagir com rapidez e precisão às condições dinâmicas necessárias para manter a qualidade do efluente. Portanto, esta tese tem como objetivo identificar a condição operacional de uma estação de tratamento de efluentes que adotou a eletrocoagulação para o tratamento de efluentes de panificação. Três condições operacionais baseadas em clarificação do efluente e lodo da reação foram as variáveis-alvo. A tese está dividida em dois ensaios. O primeiro usou sete métodos de seleção de atributos para selecionar as variáveis mais importantes em um determinado conjunto de dados. O desempenho dos modelos de classificação de redes neurais treinados no conjunto de atributos original foi comparado ao desempenho daqueles que foram treinados em um subconjunto curado usando técnicas de seleção de atributos. O modelo que utilizou a seleção de atributos apresentou o melhor desempenho (F1-score = 0,92) e uma melhoria de mais de 30 por cento na prevenção de falsos positivos. A segunda contribuição trouxe um modelo que poderia detectar o comportamento anômalo do processo usando apenas imagens coloridas da superfície do efluente obtidas através de dois módulos de câmera de tamanho pequeno. O desempenho de vários métodos, incluindo MLP, LSTM, SVM e XGBoost foi avaliado. O modelo LSTM superou os outros em termos de Precisão (84,620 por cento), Recall (84,531 por cento) e F1-score (84,499 por cento), mas o modelo XGBoost vem em segundo lugar com Precisão (83,922 por cento), Recall (82,272 por cento) e F1-score (83,005 por cento). / [en] Electrocoagulation is an emerging wastewater treatment method that combines the benefits of coagulation, flotation, and electrochemistry. As a result of the inherent complexity of processes associated with wastewater treatment plants, it is difficult to respond swiftly and correctly to the dynamic circumstances that are necessary to ensure effluent quality. Therefore, this thesis aims to identify the operational condition of a wastewater treatment plant that has adopted electrocoagulation for treating bakery wastewater. Three operational conditions based on effluent clarification and reaction sludge were the target variables. The thesis is divided into two essays. The first endeavor used seven feature selection methods to select the most important features in a given dataset. The performance of neural network classification models trained on the original feature set was compared to the performance of those that were trained on a subset of features that had been curated using feature selection techniques. The model that utilised feature selection was found to have the best performance (F1-score = 0.92) and an improvement of more than 30 percent in preventing false positives. The second contribution brought a model that could detect anomalous process behavior using only wastewater surface color images from two small-size camera modules. The performance of various methods, including MLP, LSTM, SVM, and XGBoost was assessed. The LSTM model outperformed the others in terms of macro average Precision (84.620 percent), Recall (84.531 percent), and F1-score (84.499 percent), but the XGBoost model comes closely in second with Precision (83.922 percent), Recall (82.272 percent), and F1-score (83.005 percent).

[pt] Os métodos de aprendizado de máquina para monitoramento de pás deturbinas eólicas dependem principalmente de conjuntos de dados completos erotulados, que são caros e muitas vezes impraticáveis de obter. Além disso, naciência dos materiais, a maioria dos métodos depende de dados experimentaiscaros, com exploração limitada de técnicas de aumento de dados para reduziro custo do treinamento de modelos. O objetivo desta pesquisa é abordar essaslacunas significativas explorando a classificação de uma classe para a detecçãode anomalias em pás de turbinas eólicas e desenvolvendo métodos para aumentar os dados existentes para um treinamento de modelos mais econômicona ciência dos materiais. Os métodos aplicados neste trabalho para a detecçãode anomalias incluem One Class Support Vector Machine (OCSVM), SupportVector Data Description (SVDD) e autoencoders Long Short-Term Memory(LSTM). Para aumentar os dados experimentais de materiais, foram utilizadas técnicas de adição de ruído e manipulação de imagens. Para a detecçãode anomalias, o autoencoder LSTM atingiu uma precisão de 97.4 por cento com aproximadamente 100 por cento de recall, enquanto o OCSVM atingiu 89 por cento de precisão e 97 por cento de recall. O OCSVM foi considerado mais adequado devido aos custos de treinamento mais baixos e desempenho semelhante. Os resultados para aumento de dados experimentais mostraram uma melhoria de 20 por cento em relaçãoaos modelos previamente treinados, com a técnica de aumento melhorando significativamente o desempenho, especialmente em modelos treinados com dadosde amostras experimentais diferentes. Em conclusão, esta pesquisa demonstraa eficácia da classificação de uma classe para a detecção de anomalias em pásde turbinas eólicas e destaca os benefícios das técnicas de aumento de dadospara o treinamento de modelos econômicos na ciência dos materiais. / [en] The background machine learning approaches for wind turbine blade monitoring rely mostly on complete and labeled datasets, which are costly and often impractical to obtain. Additionally, in material science, most methods depend on expensive experimental data, with limited exploration of data augmentation techniques to reduce the cost and effort of model training. The objective of this research addresses these significant gaps by exploring one-class classification for anomaly detection in wind turbine blades and by developing methods to augment existing data for more cost-effective model training in material science. The methods applied in this work for anomaly detection include One Class Support Vector Machine (OCSVM), Support Vector Data Descriptio (SVDD), and Long Short-Term Memory (LSTM) autoencoders. For augmenting experimental material data, noise addition and image manipulation techniques were used. For anomaly detection, the LSTM autoencoder achieved an accuracy of 97.4 percent with approximately 100 percent recall, while OCSVM achieved 89 percent accuracy and 97 percent recall. OCSVM was deemed more suitable due to lower training costs and similar performance. The results for experimental data augmentation showed a 20 percent improvement over previously trained models, with the augmentation technique significantly enhancing performance, especially in models trained with data from different experimental samples. In conclusion, this research demonstrates the effectiveness of one-class classification for anomaly detection in wind turbine blades and highlights the benefits of data augmentation techniques for cost-effective model training in material science.