• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 2
  • 1
  • Tagged with
  • 3
  • 3
  • 2
  • 2
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Mineração seqüencial de dados para previsão de falhas em uma rede de telecomunicação

OLIVEIRA, Alexandre Antonio Paixão de 31 January 2008 (has links)
Made available in DSpace on 2014-06-12T17:34:40Z (GMT). No. of bitstreams: 2 arquivo2301_1.pdf: 1307195 bytes, checksum: dc89e3917db5a2d4c027decb3f6aba17 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Companhia Hidro Elétrica do São Francisco / Nas últimas décadas, o desenvolvimento sem igual dos sistemas de telecomunicações resultou no aumento do tamanho e da complexidade das redes, além da dependência das empresas nesses sistemas. Na Chesf não é diferente, hoje os sistema de telecomunicações suportam aplicações corporativas, bem como toda comunicação operacional de serviços tão sensíveis à indisponibilidade quanto o SAGE (Sistema Aberto de Gerenciamento de Energia). Por isso, há a necessidade cada vez maior de mantermos sistemas de comunicação com indisponibilidade zero. Este trabalho busca antecipar o momento final da falha a partir da utilização de algoritmos de mineração seqüencial de dados em uma base histórica de alarmes de telecomunicações. Realizando uma análise do histórico de ocorrências das seqüências freqüentes dos alarmes foi possível associá-las a uma probabilidade de ocorrência de um determinado padrão. O objetivo final de extrair este conhecimento dos dados é dar suporte para ações de manutenção, dependendo de sua viabilidade, visando evitar as falhas ou os seus efeitos
2

Técnicas de aprendizado de máquina não supervisionado para a prevenção de falhas em máquinas de chave

Soares, Nielson 27 February 2018 (has links)
Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-03-27T17:53:34Z No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-03-27T18:03:27Z (GMT) No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) / Made available in DSpace on 2018-03-27T18:03:27Z (GMT). No. of bitstreams: 1 nielsonsoares.pdf: 4342256 bytes, checksum: bcb08c0e8cbff9d4ed4b60f92f7715b2 (MD5) Previous issue date: 2018-02-27 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / As máquinas de chave são equipamentos eletromecânicos de grande importância em uma malha ferroviária. A ocorrência de falhas nesses equipamentos pode ocasionar interrupções das ferrovias e acarretar potenciais prejuízos econômicos. Assim, um diagnóstico precoce dessas falhas pode representar uma redução de custos e um aumento de produtividade. Essa dissertação tem como objetivo propor um modelo preditivo, baseado em técnicas de inteligência computacional, para a solução desse problema. A metodologia aplicada compreende o uso de técnicas de extração e seleção de características baseada em testes de hipóteses e modelos de aprendizado de máquina não supervisionado. O modelo proposto foi testado em uma base de dados disponibilizada por uma empresa ferroviária brasileira e se mostrou eficiente ao constatar como críticas as operações realizadas próximas à operação classificada como falha. / Railroad switch machines are important electromechanical equipment in a railway network, and the occurrence of failures in such equipment can cause railroad interruptions and lead to potential economic losses. Thus, an early diagnosis of these failures can represent a reduction of costs and an increase in productivity. This dissertation aims to propose a predictive model, based on computational intelligence techniques, to solve this problem. The applied methodology includes the use of features extraction and selection techniques based on hypothesis tests and unsupervised machine learning models. The proposed model was tested in a database made available by a Brazilian railway company and proved to be efficient when considering as critical the operations performed close to the operation classified as failure.
3

Models for quantifying risk and reliability metrics via metaheuristics and support vector machines

Lins, Isis Didier 27 February 2013 (has links)
Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-04-10T16:15:19Z No. of bitstreams: 2 dscidl.pdf: 3672005 bytes, checksum: 16e2ea719e96351a648acbff70be2fb0 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-04-10T16:15:19Z (GMT). No. of bitstreams: 2 dscidl.pdf: 3672005 bytes, checksum: 16e2ea719e96351a648acbff70be2fb0 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-02-27 / CNPq / Nesse trabalho são desenvolvidos modelos de quantificação de métricas de risco e confiabilidade para sistemas em diferentes etapas do ciclo de vida. Para sistemas na fase de projeto, um Algoritmo Genético Multiobjetivo (MOGA) é combinado à Simulação Discreta de Eventos (DES) a fim de prover configurações não-dominadas com relação à disponibilidade e ao custo. O MOGA + DES proposto incorpora Processos de Renovação Generalizados para modelagem de reparos imperfeitos e também indica o número ótimo de equipes de manutenção. Para a fase operacional é proposto um hibridismo entre MOGA e Inspeção Baseada no Risco para elaboração de planos de inspeção não-dominados em termos de risco e custo que atendem às normas locais. Regressão via Support Vector Machines (SVR) é aplicada nos casos em que a métrica relacionada à confiabilidade (variável resposta) de um sistema operacional é função de variáveis ambientais e operacionais com expressão analítica desconhecida. Otimização via Nuvens de Partículas é combinada à SVR para a seleção simultânea das variáveis explicativas mais relevantes e dos valores dos hiperparâmetros que aparecem no problema de treinamento de SVR. Com o objetivo de avaliar a incerteza relacionada à variável resposta, métodos bootstrap são combinados à SVR para a obtenção de intervalos de confiança e de previsão. São realizados experimentos numéricos e são apresentados exemplos de aplicação no contexto da indústria do petróleo. Os resultados obtidos indicam que os modelos propostos fornecem informações importantes para o planejamento de custos e para a implementação de ações apropriadas a fim de evitar eventos indesejados. --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------This work develops models for quantifying risk and reliability-related metrics of systems in different phases of their life cycle. For systems in the design phase, a Multi-Objective Genetic Algorithm (MOGA) is coupled with Discrete Event Simulation (DES) to provide non-dominated configurations with respect to availability and cost. The proposed MOGA + DES incorporates a Generalized Renewal Process to account for imperfect repairs and it also indicates the optimal number of maintenance teams. For the operational phase, a hybridism between MOGA and Risk-Based Inspection is proposed for the elaboration of non-dominated inspection plans in terms of risk and cost that comply with local regulations. Regression via Support Vector Machines (SVR) is applied when the reliability-related metric (response variable) of an operational system is function of a number of environmental and operational variables with unknown analytical relationship. A Particle Swarm Optimization is combined to SVR for the selection of the most relevant variables along with the tuning of the SVR hyperparameters that appear in its training problem. In order to assess the uncertainty related to the response variable, bootstrap methods are coupled with SVR to construct confidence and prediction intervals. Numerical experiments and application examples in the context of oil industry are provided. The obtained results indicate that the proposed frameworks give valuable information for budget planning and for the implementation of proper actions to avoid undesired events.

Page generated in 0.1982 seconds