Uma arquitetura distribuída é composta de diversos sistemas que trocam mensagens entre si. Falhas na integração destes sistemas podem ocorrer, exigindo uma investigação detalhada dos profissionais de suporte para encontrar a causa raiz do problema. O processo manual de identificação de falhas é difícil e demorado. Ganhos significativos podem ser obtidos através da automação do processo de classificação de falhas. Este trabalho tem por objetivo apresentar um método para auxílio no processo de diagnóstico de falhas, classificando automaticamente as falhas geradas em uma arquitetura orientada a serviços. Este método, denominado SOAFaultControl, se beneficia de arquiteturas distribuídas que adotam SOA e um Enterprise Service Bus (ESB). Utilizando-se de técnicas de aprendizado de máquina, foi possível estabelecer um modelo para classificação de falhas em categorias preestabelecidas. Para alcançar o objetivo deste trabalho foi necessário testar e avaliar os seguintes algoritmos de aprendizagem de máquina: Support Vector Machine, Naive Bayes e AdaBoost. Como resultado, o algoritmo Support Vector Machine obteve melhor desempenho nas métricas: acurácia, precisão, revocação e F1. / A distributed architecture is composed of many systems that exchange messages between each other. Faults in the integration of these systems may occur and they required a detailed investigation of support professionals to identifying the root cause of the problem. The manual process to identify causes of failure is difficult and time-consuming. Significant efficiency gains can be achieved by automating the faults classification process. This work presents a method to support the automated fault diagnostic process, automatically classifying faults generated in a Service Oriented Architecture (SOA). This method denominated SOAFaultControl, may be executed in a distributed architecture that adote SOA and an Enterprise Service Bus (ESB). Using machine learning techniques, was possible build a model to classify fault messages captured in a SOA environment, in pre-established classes. To achieve the objectives of this work it was necessary to test the following machine learning algorithms: Support Vector Machine, Naive Bayes, and AdaBoost. Results show that Support Vector Machine algorithm achieved better performance in the following metrics: precision, accuracy, recall, and F1.

Uma arquitetura distribuída é composta de diversos sistemas que trocam mensagens entre si. Falhas na integração destes sistemas podem ocorrer, exigindo uma investigação detalhada dos profissionais de suporte para encontrar a causa raiz do problema. O processo manual de identificação de falhas é difícil e demorado. Ganhos significativos podem ser obtidos através da automação do processo de classificação de falhas. Este trabalho tem por objetivo apresentar um método para auxílio no processo de diagnóstico de falhas, classificando automaticamente as falhas geradas em uma arquitetura orientada a serviços. Este método, denominado SOAFaultControl, se beneficia de arquiteturas distribuídas que adotam SOA e um Enterprise Service Bus (ESB). Utilizando-se de técnicas de aprendizado de máquina, foi possível estabelecer um modelo para classificação de falhas em categorias preestabelecidas. Para alcançar o objetivo deste trabalho foi necessário testar e avaliar os seguintes algoritmos de aprendizagem de máquina: Support Vector Machine, Naive Bayes e AdaBoost. Como resultado, o algoritmo Support Vector Machine obteve melhor desempenho nas métricas: acurácia, precisão, revocação e F1. / A distributed architecture is composed of many systems that exchange messages between each other. Faults in the integration of these systems may occur and they required a detailed investigation of support professionals to identifying the root cause of the problem. The manual process to identify causes of failure is difficult and time-consuming. Significant efficiency gains can be achieved by automating the faults classification process. This work presents a method to support the automated fault diagnostic process, automatically classifying faults generated in a Service Oriented Architecture (SOA). This method denominated SOAFaultControl, may be executed in a distributed architecture that adote SOA and an Enterprise Service Bus (ESB). Using machine learning techniques, was possible build a model to classify fault messages captured in a SOA environment, in pre-established classes. To achieve the objectives of this work it was necessary to test the following machine learning algorithms: Support Vector Machine, Naive Bayes, and AdaBoost. Results show that Support Vector Machine algorithm achieved better performance in the following metrics: precision, accuracy, recall, and F1.

O envelhecimento de uma instalação industrial provoca o aumento do número de falhas. A probabilidade de falhar é um indicador do momento em que deve ser feita uma parada para manutenção. É desenvolvido um método estatístico, baseado na teoria não-markoviana, para a determinação da variação da probabilidade de falhar em função do tempo de operação, que resulta num sistema de equações diferenciais parciais de natureza hiperbólica. São apresentadas as soluções por passo-fracionário e Lax-Wendroff com termo fonte. Devido à natureza suave da solução, os dois métodos chegam ao mesmo resultado com erro menor que 10−3. No caso estudado, conclui-se que o colapso do sistema depende principalmente do estado inicial da cadeia de Markov, sendo que os demais estados apresentam pouca influência na probabilidade de falha geral do sistema. / During the useful life of an industrial plant, the failure occurrence follows an exponential distribution. However, the aging process in an industrial plant generates an increase of the failure number. The failure probability is a rating for the maintenance stopping process. In this paper, an statistical method for the assessment of the failure probability as a function of the operational time, based on the non-Markovian theory, is presented. Two maintenance conditions are addressed: In the first one, the old parts are utilized, after the repair this condition being called as good as old; in the second one the old parts are substituted by brand new ones this condition being called as good as new. A non-Markovian system with variable source term is modeled by using hyperbolic partial differential equations. The system of equations is solved using the Lax-Wendroff and fractional-step numerical schemes. The two methods achieve to approximately the same results, due to the smooth behavior of the solution. The main conclusion is that the system collapse depends essentially on the initial state of the Markov chain.

Conselho Nacional de Desenvolvimento Científico e Tecnológico / The basic concept of impedance-based structure health monitoring is measuring the variation of the electromechanical impedance of the structure as caused by the presence of damage by using patches of piezoelectric material bonded on the surface of the structure (or embedded into). The measured electrical impedance of the PZT patch is directly related to the mechanical impedance of the structure. That is why the presence of damage can be detected by monitoring the variation of the impedance signal. In order to quantify damage, a metric is specially defined, which allows to assign a characteristic scalar value to the fault. This study initially evaluates the influence of environmental conditions in the impedance measurement, such as temperature, magnetic fields and ionic environment. The results show that the magnetic field does not influence the impedance measurement and that the ionic environment influences the results. However, when the sensor is shielded, the effect of the ionic environment is significantly reduced. The influence of the sensor geometry has also been studied. It has been established that the shape of the PZT patch (rectangular or circular) has no influence on the impedance measurement. However, the position of the sensor is an important issue to correctly detect damage. This work presents the development of a low-cost portable system for impedance measuring to automatically measure and store data from 16 PZT patches, without human intervention. One fundamental aspect in the context of this work is to characterize the damage type from the various impedance signals collected. In this sense, the techniques of artificial intelligence known as neural networks and fuzzy cluster analysis were tested for classifying damage of aircraft structures, obtaining satisfactory results. One last contribution of the present work is the study of the performance of the electromechanical impedance-based structural health monitoring technique to detect damage in structures under dynamic loading. Encouraging results were obtained for this aim. / O conceito básico da técnica de integridade estrutural baseada na impedância tem a ver com o monitoramento da variação da impedância eletromecânica da estrutura, causada pela presença alterações estruturais, através de pastilhas de material piezelétrico coladas na superfície da estrutura ou nela incorporadas. A impedância medida se relaciona com a impedância mecânica da estrutura. A partir da variação dos sinais de impedância pode-se concluir pela existência ou não de uma falha. Para quantificar esta falha, métricas de dano são especialmente definidas, permitindo atribuir-lhe um valor escalar característico. Este trabalho pretende inicialmente avaliar a influência de algumas condições ambientais, tais como os campos magnéticos e os meios iônicos na medição de impedância. Os resultados obtidos mostram que os campos magnéticos não tem influência na medição de impedância e que os meios iônicos influenciam os resultados; entretanto, ao blindar o sensor, este efeito se reduz consideravelmente. Também foi estudada a influencia da geometria, ou seja, do formato do PZT e da posição do sensor com respeito ao dano. Verificou-se que o formato do PZT não tem nenhuma influência na medição e que a posição do sensor é importante para detectar corretamente o dano. Neste trabalho se apresenta o desenvolvimento de um sistema de medição de impedância de baixo custo e portátil que tem a capacidade de medir e armazenar a medição de 16 PZTs sem a necessidade de intervenção humana. Um aspecto de fundamental importância no contexto deste trabalho é a caracterização do dano a partir dos sinais de impedância coletados. Neste sentido, as técnicas de inteligência artificial conhecidas como redes neurais e análises de cluster fuzzy, foram testadas para classificar danos em estruturas aeronáuticas, obtendo resultados satisfatórios para esta tarefa. Uma última contribuição deste trabalho é o estudo do comportamento da técnica de monitoramento de integridade estrutural baseado na impedância eletromecânica na detecção de danos em estruturas submetidas a carregamento dinâmico. Os resultados obtidos mostram que a técnica funciona adequadamente nestes casos. / Doutor em Engenharia Mecânica

Front of large amount of personal mobile devices sold in the market and the vast amount of location technologies available for use by this equipment, we present a solution of localization that is able to position geographically a user and his friends on any mobile device, regardless of the equipment localization technology, as well as calculate the distance that it is in relation to friends and set the distance to be notified of the proximity thereof. This solution consists of two localization services: the localization service that uses the HTML5 Geolocation API and the localization service that uses Dynamic Web Service. Both services have been deployed and tested in SocialNetLab, which is the mobile social network that was implemented to validate these location services, serve as a laboratory for future research on social networks and will be available for the Department of Computer Science, of the University Federal of Sergipe. The main result we obtained the integration of two localization services in a mobile social network, the SocialNetLab, making it able to find and notify users of the proximity of friends regardless of localization technology available on the device (mobile or not). Upon completion of the tests we obtained satisfactory results in both localization services tested. / Diante da grande quantidade de dispositivos móveis pessoais vendidos no mercado e do vasto número de tecnologias de localização disponível para serem utilizadas por esses equipamentos, apresentamos uma solução de localização que é capaz de posicionar geograficamente um usuário e seus amigos em qualquer dispositivo móvel, independente da tecnologia de localização presente no equipamento, bem como calcular a distancia que o mesmo se encontra em relação aos amigos e definir a distância que deseja ser notificado da proximidade dos mesmos. Essa solução é composta por dois serviços de localização: o serviço de localização que utiliza a API de Geolocalização do HTML5 e o serviço de localização que utiliza Web Service Dinâmico. Ambos os serviços foram implantados e testados na SocialNetLab, que é a rede social móvel que foi implementada para validar esses serviços de localização e que servirá de laboratório para futuras pesquisas em redes sociais e estará disponível para o Departamento de Computação da Universidade Federal de Sergipe. Como principal resultado obtivemos a integração de dois serviços de localização em uma rede social móvel, a SocialNetLab, tornando-a capaz de localizar e notificar usuários da proximidade de amigos independente da tecnologia de localização disponível no dispositivo (móvel ou não). Ao término dos testes obtivemos resultados satisfatórios nos dois serviços de localização testados.

No contexto de Smart Grids, determinar a correta localização das fontes causadoras de Variação de Tensão de Curta Duração (VTCD) não é uma tarefa simples, devido à curta duração destes eventos e também, por sua rápida propagação nas redes de distribuição de energia elétrica. Neste sentido, esse trabalho apresentou um método híbrido recursivo baseado em ferramentas da área de aprendizado de máquinas (algoritmo de agrupamento e base de regras), o qual é capaz de localizar as fontes de VTCD, a partir da análise dos das características dos distúrbios disponibilizadas pelos smart meters instalados no sistema. Assim, o trabalho destinouse ao desenvolvimento de uma plataforma em hardware para aquisição, detecção e classificação dos distúrbios, através de um Sistema Operacional de Tempo Real. Em seguida o algoritmo de agrupamento (k-means) agrupou os dados dos medidores de forma a definir dois clusters, onde um deles correspondeu aos medidores que estão longe da região que ocorreu o distúrbio e o outro, correspondeu aos medidores que estavam localizados próximos da região de ocorrência do distúrbio. Na segunda etapa, um sistema baseado em regras determinou qual dos clusters abrangeu o nó de origem. No entanto, quando o algoritmo determinou uma região muito grande, essa região é introduzida recursivamente, como entrada da metodologia desenvolvida, para refinar a região de localização. O sistema resultante foi capaz de estimar a região de localização com uma taxa de acerto acima de 90%. Assim, o método teve sua concepção adequada ao empregado nos centros de controle e operações de concessionárias de energia elétrica, visando apoiar a decisão do corpo técnico para que ações corretivas fossem estabelecidas de forma assertiva. / In the Smart Grids context, the correct location of short-duration voltage variations sources is not a trivial task, because of the short duration of these events and for rapid propagation in the distribution feeder. In this sense, aiming to develop a recursive hybrid method based on machine learning area tools (clustering algorithm and rule base) that is able to locate the sources of short-duration voltage variations, it was used data from smart meters installed along the distribution feeder. The recursive hybrid method, as input, received the disturbance characteristics provided by the meters installed in the system. Thus, this thesis aimed to development of a measurement hardware for signal acquisition, detection, classification through a realtime operating system. Then, k-means clustering algorithm grouped the meters data in order to define two clusters, where one of them corresponded to the meters that were distant from the region that occurred the disturbance and the other one corresponded to the meters, which were located near to the disturbance occurrence region. In a second step, a rule-based system determined which of the clusters corresponded to the source node. When the algorithm determined a very large region, that region was recursively introduced as input of the developed methodology to decrease its size. The resulting system was able to estimate the location region with a accuracy above 90%. Therefore, this method showed a suitable design for employment by operation control centers of power sector concessionaires, aiming to support technical staff decision to stablish assertive corrective actions.