Spelling suggestions: "subject:"revisão dde falhas"" "subject:"revisão dee falhas""
1 |
Mineração seqüencial de dados para previsão de falhas em uma rede de telecomunicaçãoOLIVEIRA, 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 chaveSoares, 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 machinesLins, 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