Spelling suggestions: "subject:"detec??o dde falhas"" "subject:"detec??o dde malhas""
1 |
An?lise de desempenho de abordagens orientadas a fluxo de dados aplicadas ? detec??o de falhas de processos industriaisGermano, Amanda Lucena 31 July 2017 (has links)
Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2018-01-15T21:33:32Z
No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-01-17T12:52:40Z (GMT) No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5) / Made available in DSpace on 2018-01-17T12:52:40Z (GMT). No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5)
Previous issue date: 2017-07-31 / Com a necessidade do aumento da qualidade dos produtos e do desempenho dos processos,
o grau de automa??o cresceu bastante nas ind?strias. Com isso, os sistemas est?o
cada vez mais complexos e v?m acompanhados por problemas dif?ceis de resolver devido
? alta dimensionalidade desses sistemas e do grande volume do fluxo de informa??es necess?rias,
al?m da aleatoriedade de falhas e defeitos. Uma falha inesperada pode levar a
riscos operacionais, por isso a import?ncia de detectar e localizar a falha, principalmente
quando a planta industrial ainda est? operando em uma regi?o control?vel e ? poss?vel
agir para trazer o processo de volta para o estado normal, seguro e operacional. Assim, ?
desej?vel que o sistema de detec??o de falhas forne?a respostas r?pidas e confi?veis com
um esfor?o computacional adequado para processamento em tempo real, mesmo necessitando
tratar com grandes quantidades de dados. Para trabalhar com grandes quantidades
de dados em tempo real, surgiu o modelo de fluxo de dados, que consiste de uma sequ?ncia
ordenada de pontos que s? podem ser lidos apenas uma ou algumas poucas vezes. Essa
?rea cresceu bastante nos ?ltimos anos, principalmente devido a grande quantidade de sistemas
que precisavam tratar com dados desse tipo, que incluem desde dados do mercado
financeiro, registros telef?nicos, transa??es web a dados m?dicos, redes de sensores ou
mesmo dados multim?dia. Diante da relev?ncia do tema de detec??o de falhas, nessa tese
foram utilizados o TEDA (Typicality and Eccentricity Data Analytics), o RDE (Recursive
Density Estimation) e o R-PCA (Recursive Principal Component Analysis) como ferramentas
para detec??o de falhas em processos industriais. Para a an?lise do desempenho
de cada uma dessas abordagens foi utilizado o cl?ssico benchmark Tennessee Eastman
Process. / In order to increase product quality and process performance, the degree of automation
has grown significantly in industries. As a result, systems are increasingly complex and
are accompanied by problems that are difficult to solve due to the high dimensionality
of these systems and the large amount of information flow, as well as the randomness of
faults and defects. An unexpected failure can lead to operational risks, so the importance
of detecting and locating the fault, especially when the industrial plant is still operating in
a controllable region and it is possible to act to bring the process back to normal, safe and
operational. Thus, it is desirable for the fault detection system to provide fast and reliable
responses with a computational effort appropriate for real-time processing, even though it
requires handling large amounts of data. In this context, data stream-oriented algorithms
to outlier detection may be promising candidates for fault detection of industrial process,
because they work with sequences of temporarily ordered samples. In addition, they
handle well with large amount of data because they are recursive and online algorithms
that do not need to store past samples. Thus, in this dissertation two algorithms of this
class are analyzed, named TEDA (Typicality and Eccentricity Data Analytics) and RDE
(Recursive Density Estimation), when applied to fault detection of industrial processes.
Their performances are compared to R-PCA (Recursive Principal Component Analysis)
algorithm. The classic Tennessee Eastman Process benchmark was used as case study to
evaluate these algorithms.
|
2 |
Sistema de detec??o e isolamento de falhas em sistemas din?micos baseado em identifica??o param?tricaSilva, Diego Rodrigo Cabral 11 December 2008 (has links)
Made available in DSpace on 2014-12-17T14:54:51Z (GMT). No. of bitstreams: 1
DiegoRCS.pdf: 1286138 bytes, checksum: 890aca771a97105bf912985058e417c2 (MD5)
Previous issue date: 2008-12-11 / The present research aims at contributing to the area of detection and diagnosis of failure through the proposal of a new system architecture of detection and isolation of failures (FDI, Fault Detection and Isolation). The proposed architecture presents innovations related to the way the physical values monitored are linked to the FDI system and, as a consequence, the way the failures are detected, isolated and classified. A search for mathematical tools able to satisfy the objectives of the proposed architecture has pointed at the use of the Kalman Filter and its derivatives EKF (Extended Kalman Filter) and UKF (Unscented Kalman Filter). The use of the first one is efficient when the monitored process presents a linear relation among its physical values to be monitored and its out-put. The other two are proficient in case this dynamics is no-linear. After that, a short comparative of features and abilities in the context of failure detection concludes that the UFK system is a better alternative than the EKF one to compose the architecture of the FDI system proposed in case of processes of no-linear dynamics. The results shown in the end of the research refer to the linear and no-linear industrial processes. The efficiency of the proposed architecture may be observed since it has been applied to simulated and real processes. To conclude, the contributions of this thesis are found in the end of the text / O presente trabalho visa contribuir com a ?rea de detec??o e diagn?stico de falhas em sistemas din?micos atrav?s da proposta de uma nova arquitetura de sistemas de detec??o e isolamento de falhas (FDI, Fault Detection and Isolation). A arquitetura proposta traz inova??es no que se refere ? maneira como as grandezas f?sicas do processo monitorado s?o relacionadas ao sistema FDI e, em conseq??ncia disso, ? maneira como as falhas s?o detectadas, isoladas e classificadas. Uma busca por ferramentas matem?ticas capazes de satisfazer os objetivos da arquitetura proposta apontou para o uso do filtro de Kalman e seus derivados EKF (Extended Kalman Filter) e UKF (Unscented Kalman Filter). O uso do primeiro algoritmo mostra-se eficaz no caso em que o processo monitorado apresenta uma rela??o linear entre suas grandezas f?sicas a serem monitoradas e sua sa?da. Os outros dois, caso a din?mica seja n?o linear. Posteriormente, um comparativo entre o EKF e o UKF mostra que o segundo se adequa melhor ?s necessidades da arquitetura proposta. Os resultados mostrados no final da tese s?o referentes a plantas lineares e n?o-lineares, onde se pode observar a efic?cia da arquitetura proposta quando a mesma foi aplicada a processos simulados e reais
|
3 |
Utiliza??o de redes neurais artificiais para detec??o e diagn?stico de falhasRebou?as, Diogo Leite 21 June 2011 (has links)
Made available in DSpace on 2014-12-17T14:55:50Z (GMT). No. of bitstreams: 1
DiogoLR_DISSERT.pdf: 2166475 bytes, checksum: 3d70392d30b6b18a8ab0f79aa206e435 (MD5)
Previous issue date: 2011-06-21 / In a real process, all used resources, whether physical or developed in software, are
subject to interruptions or operational commitments. However, in situations in which
operate critical systems, any kind of problem may bring big consequences. Knowing
this, this paper aims to develop a system capable to detect the presence and indicate the
types of failures that may occur in a process. For implementing and testing the proposed
methodology, a coupled tank system was used as a study model case. The system should
be developed to generate a set of signals that notify the process operator and that may
be post-processed, enabling changes in control strategy or control parameters. Due to
the damage risks involved with sensors, actuators and amplifiers of the real plant, the
data set of the faults will be computationally generated and the results collected from
numerical simulations of the process model. The system will be composed by structures
with Artificial Neural Networks, trained in offline mode using Matlab? / Em um processo real, todos os recursos utilizados, sejam f?sicos ou desenvolvidos em
software, est?o sujeitos a interrup??es ou a comprometimentos operacionais. Contudo,
nas situa??es em que operam os sistemas cr?ticos, qualquer tipo de problema pode vir a
trazer grandes consequ?ncias. Sabendo disso, este trabalho se prop?e a desenvolver um
sistema capaz de detectar a presen?a e indicar os tipos de falhas que venham a ocorrer
em um determinado processo. Para implementa??o e testes da metodologia proposta, um
sistema de tanques acoplados foi escolhido como modelo de estudo de caso. O sistema
desenvolvido dever? gerar um conjunto de sinais que notifiquem o operador do processo
e que possam vir a ser p?s-processados, possibilitando que sejam feitas altera??es nas
estrat?gias ou nos par?metros dos controladores. Em virtude dos riscos envolvidos com
rela??o ? queima dos sensores, atuadores e amplificadores existentes na planta real, o
conjunto de dados das falhas ser? gerado computacionalmente e os resultados coletados
a partir de simula??es num?ricas do modelo do processo, n?o havendo risco de dano aos
equipamentos. O sistema ser? composto por estruturas que fazem uso de Redes Neurais
Artificiais, treinadas em modo offline pelo software matem?tico Matlab?
|
4 |
Detec??o e diagn?stico de falhas n?o-supervisionados baseados em estimativa de densidade recursiva e classificador fuzzy auto-evolutivoCosta, Bruno Sielly Jales 13 May 2014 (has links)
Made available in DSpace on 2015-03-03T15:08:47Z (GMT). No. of bitstreams: 1
BrunoSJC_TESE.pdf: 2605632 bytes, checksum: cc7fdbd9d8d7dfe3adac23f17fab1ae2 (MD5)
Previous issue date: 2014-05-13 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / In this work, we propose a two-stage algorithm for real-time fault detection and
identification of industrial plants. Our proposal is based on the analysis of selected
features using recursive density estimation and a new evolving classifier algorithm.
More specifically, the proposed approach for the detection stage is based on the
concept of density in the data space, which is not the same as probability density
function, but is a very useful measure for abnormality/outliers detection. This
density can be expressed by a Cauchy function and can be calculated recursively,
which makes it memory and computational power efficient and, therefore, suitable for
on-line applications. The identification/diagnosis stage is based on a self-developing
(evolving) fuzzy rule-based classifier system proposed in this work, called AutoClass.
An important property of AutoClass is that it can start learning from scratch".
Not only do the fuzzy rules not need to be prespecified, but neither do the number of
classes for AutoClass (the number may grow, with new class labels being added by
the on-line learning process), in a fully unsupervised manner. In the event that an
initial rule base exists, AutoClass can evolve/develop it further based on the newly
arrived faulty state data. In order to validate our proposal, we present experimental
results from a level control didactic process, where control and error signals are used
as features for the fault detection and identification systems, but the approach is
generic and the number of features can be significant due to the computationally
lean methodology, since covariance or more complex calculations, as well as storage
of old data, are not required. The obtained results are significantly better than the
traditional approaches used for comparison / Este trabalho prop?e um algoritmo de dois estagios para detec??o e identifica??o
de falhas, em tempo real, em plantas industriais. A proposta baseia-se na analise de
caracter?sticas selecionadas utilizando estimativa de densidade recursiva e um novo
algoritmo evolutivo de classifica??o. Mais especificamente, a abordagem proposta
para detec??o e baseada no conceito de densidade no espa?o de dados, o que difere da
tradicional fun??o densidade de probabilidade, porem, sendo uma medida bastante
util na detec??o de anormalidades/outliers. Tal densidade pode ser expressa por uma
fun??o de Cauchy e calculada recursivamente, o que torna o algoritmo computacionalmente
eficiente, em termos de processamento e memoria, e, dessa maneira, apropriado
para aplica??es on-line. O estagio de identifica??o/diagnostico e 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 e que ele e capaz de aprender a partir do zero". Tanto as regras fuzzy,
quanto o numero de classes para o algoritmo n?o necessitam de pre-especifica??o (o
numero de classes pode crescer, com os rotulos de classe sendo adicionados pelo
processo de aprendizagem on-line), de maneira n~ao-supervisionada. Nos casos em
que uma base de regras inicial existe, AutoClass pode evoluir/desenvolver-se a partir
dela, baseado nos dados adquiridos posteriormente. De modo a validar a proposta,
o trabalho apresenta resultados experimentais de simula??o e de aplica??es industriais
reais, onde o sinal de controle e erro s?o utilizados como caracter?sticas para
os estagios de detec??o e identifica??o, porem a abordagem e generica, e o numero
de caracter?sticas selecionadas pode ser significativamente maior, devido ? metodologia
computacionalmente eficiente adotada, uma vez que calculos mais complexos
e armazenamento de dados antigos n?o s?o necess?rios. Os resultados obtidos s?o signifificativamente melhores que os gerados pelas abordagens tradicionais utilizadas para compara??o
|
5 |
Aplica??o de sistemas multi-classificadores no diagn?stico de falhas em motores de indu??o trif?sicosSantos, Sergio Pinheiro dos 11 April 2009 (has links)
Made available in DSpace on 2014-12-17T14:55:37Z (GMT). No. of bitstreams: 1
SergioPS.pdf: 2376478 bytes, checksum: 7999af148ddd33a9739b28a9fdf05cf3 (MD5)
Previous issue date: 2009-04-11 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Equipment maintenance is the major cost factor in industrial plants, it is very important the development of fault predict techniques. Three-phase induction motors are key
electrical equipments used in industrial applications mainly because presents low cost and large robustness, however, it isn t protected from other fault types such as shorted
winding and broken bars. Several acquisition ways, processing and signal analysis are applied to improve its diagnosis. More efficient techniques use current sensors and its
signature analysis. In this dissertation, starting of these sensors, it is to make signal analysis through Park s vector that provides a good visualization capability. Faults data
acquisition is an arduous task; in this way, it is developed a methodology for data base construction. Park s transformer is applied into stationary reference for machine modeling of the machine s differential equations solution. Faults detection needs a detailed analysis of variables and its influences that becomes the diagnosis more complex. The tasks of pattern recognition allow that systems are automatically
generated, based in patterns and data concepts, in the majority cases undetectable for specialists, helping decision tasks. Classifiers algorithms with diverse learning paradigms: k-Neighborhood, Neural Networks, Decision Trees and Na?ves Bayes are used to patterns recognition of machines faults. Multi-classifier systems are used to improve classification errors. It inspected the algorithms homogeneous: Bagging and
Boosting and heterogeneous: Vote, Stacking and Stacking C. Results present the effectiveness of constructed model to faults modeling, such as the possibility of using multi-classifiers algorithm on faults classification / A manuten??o de equipamentos ? um dos principais fatores de custo no ambiente industrial, sendo de fundamental import?ncia o desenvolvimento de t?cnicas de preven??o de falhas. Os motores de indu??o trif?sicos s?o os equipamentos el?tricos mais utilizados na industria, pois apresentam um baixo custo e boa robustez, entretanto, n?o est?o imunes a diversos tipos de falhas como curto-circuitos nos enrolamentos e quebra de barras rot?ricas. Diversas formas de aquisi??o, processamento e an?lise dos sinais s?o aplicadas para melhorar seu diagn?stico. As t?cnicas mais eficazes utilizam sensores de corrente e a an?lise de sua assinatura. Neste trabalho, s?o apresentadas an?lises a partir destes sensores, sendo esta informa??o processada atrav?s do vetor de Park, que fornece uma boa capacidade de visualiza??o dos padr?es. Visando a obten??o destes padr?es fora do ambiente de opera??o, foi desenvolvida uma metodologia para a constru??o das bases de dados. Para a modelagem da m?quina tamb?m ? aplicada a transforma??o de Park no referencial estacion?rio para solucionar as equa??es diferenciais da m?quina. Detec??o de falhas requer uma an?lise profunda das vari?veis envolvidas e suas influ?ncias, tornando o diagn?stico complexo. Reconhecimento de padr?es permite que sistemas sejam gerados automaticamente, por encontrar padr?es e conceitos nos dados, muitas vezes n?o detectados por especialistas, auxiliando na tomada de decis?es. Algoritmos de classifica??o com diferentes paradigmas de aprendizado como k-vizinhos mais pr?ximos, Redes Neurais, ?rvores de Decis?o e
Na?ve-Bayes s?o utilizados para reconhecer os padr?es dos motores. M?todos de multiclassifica??o s?o empregados para melhorar o desempenho na taxa de erro de classifica??o, s?o examinados os seguintes algoritmos homog?neos: Bagging e Boosting e heterog?neos: Vote, Stacking e Stacking C. Nos resultados ? poss?vel notar a efic?cia do modelo constru?do para simular as falhas assim como dos algoritmos multiclassificadores para a classifica??o de falhas
|
Page generated in 0.0522 seconds